senkin_alexander_lab_6 is ready

This commit is contained in:
Mamoru777 2023-11-05 15:25:21 +04:00
parent a98d914e7c
commit def334a1f4
6 changed files with 67641 additions and 0 deletions

1
senkin_alexander_lab_6/.gitignore vendored Normal file
View File

@ -0,0 +1 @@
./idea

View File

@ -0,0 +1,32 @@
Лабораторная работа №6
Вариант №4
Задание на лабораторную:
Использовать нейронную сеть MLPRegressor для данных из курсовой работы, самостоятельно сформулировав задачу. Интерпретировать результаты и оценить, насколько хорошо она подходит для решения сформулированной вами задачи.
Как запустить лабораторную работу:
Чтобы увидеть работу программы, нужно запустить исполняемый питон файл senkin_alexander_lab_6.py, после чего будут результаты выведены в консоль и отрисован график, по этим данным можно сделать выводы.
Библиотеки:
Sklearn - библиотека с большим количеством алгоритмов машинного обучения.
Matplotlib - это библиотека для создания графиков и визуализации данных. Она используется для отображения данных на графиках.
Задача:
Было решено посмотреть, как зависит количество несчастных случаев(inj), от таких признаков как: магнитуда(mag) и фатальные исходы(fat)
Описание программы:
- Загружаем данные из csv файла.
- Разделяем данные на обучающее и тестовые.
- Задаем MLPRegressor и обучаем.
- Оцениваем качество модели на тестовой выборке.
- Предсказываем количество несчастных случаев.
- Вывод результаты в консоль и рисуем график:
- ![img_1.png](img_1.png)
- ![img.png](img.png)
- Анализируем и делаем выводы, что коэфициент детерминации хороший, что говорит о точности модели, также это можно увидеть по графику. Для эксперимента я взял одно из значений в своей таблице, где mag = 3, fat = 1 и inj = 14. Нейронная сеть выдала результат в 15.027.., что является неплохим результатом. Делаем вывод, что MLPRegressor - хорошо подходит для выбранных данных.

Binary file not shown.

After

Width:  |  Height:  |  Size: 28 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 12 KiB

View File

@ -0,0 +1,49 @@
import pandas as pd
from matplotlib import pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.neural_network import MLPRegressor
from sklearn.metrics import mean_squared_error, mean_absolute_error
# Загрузка данных
data = pd.read_csv("us_tornado_dataset_1950_2021.csv")
# Выбор признаков и целевой переменной
features = ['mag', 'fat']
target = 'inj'
X = data[features]
y = data[target]
# Разделение данных на обучающую и тестовую выборки
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.05, random_state=42)
# Обучение модели
model = MLPRegressor(
hidden_layer_sizes=(20, 20),
activation='relu',
solver='adam',
random_state=42
)
model.fit(X_train, y_train)
# Оценка качества модели на тестовой выборке
y_pred = model.predict(X_test)
score = model.score(X_test, y_test)
print("Коэффициент детерминации R^2 на тестовой выборке:", score)
# Предсказание количества чемпионских титулов для гонщика
new_features = []
for feature in features:
value = float(input(f"Введите значение для {feature}: "))
new_features.append(value)
new_features = [new_features]
predicted_fat = model.predict(new_features)
print("Предсказанное количество несчастных случаев:", predicted_fat[0])
# Визуализация модели
plt.scatter(y_test, y_pred)
plt.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], 'k--', lw=2)
plt.xlabel('Фактическое количество несчастных случаев')
plt.ylabel('Предсказанное количество несчастных случаев')
plt.title('Предсказания модели MLPRegressor')
plt.show()

File diff suppressed because it is too large Load Diff