done
This commit is contained in:
sergeevevgen
parent
183980443e
commit
fd3118c1c9
@ -1,19 +1,31 @@
|
||||
# Импортируем необходимые библиотеки
|
||||
import math
|
||||
import pandas as pd
|
||||
from sklearn.model_selection import train_test_split
|
||||
from sklearn.linear_model import Ridge
|
||||
from sklearn.metrics import mean_squared_error
|
||||
from sklearn.preprocessing import StandardScaler
|
||||
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
|
||||
from sklearn.preprocessing import StandardScaler, LabelEncoder
|
||||
|
||||
# Загрузим данные
|
||||
data = pd.read_csv("ваш_файл.csv") # Замените "ваш_файл.csv" на имя вашего файла данных
|
||||
df = pd.read_csv("hotel_bookings_raw.csv")
|
||||
df.dropna(inplace=True)
|
||||
|
||||
# Выберем признаки (features) и целевую переменную (target)
|
||||
features = data[['lead_time', 'arrival_date_year', 'arrival_date_week_number', 'stays_in_weekend_nights',
|
||||
'stays_in_week_nights', 'adults', 'children', 'babies', 'previous_cancellations',
|
||||
'previous_bookings_not_canceled', 'booking_changes', 'days_in_waiting_list',
|
||||
'required_car_parking_spaces', 'total_of_special_requests']]
|
||||
target = data['adr']
|
||||
# Объявляю объект для преобразования строковых значений в числовые
|
||||
label_encoder = LabelEncoder()
|
||||
|
||||
# Выберем признаки и целевую переменную (доход)
|
||||
features_list = ['lead_time', 'stays_in_weekend_nights',
|
||||
'stays_in_week_nights', 'adults', 'children', 'babies', 'meal', 'customer_type',
|
||||
'previous_cancellations',
|
||||
'previous_bookings_not_canceled', 'required_car_parking_spaces',
|
||||
'CPI_AVG', 'INFLATION', 'INFLATION_CHG', 'GDP', 'CPI_HOTELS']
|
||||
features = df[features_list].copy()
|
||||
|
||||
# Применяю к каждому столбцу признака преобразования
|
||||
for f in features_list:
|
||||
features[f] = label_encoder.fit_transform(features[f])
|
||||
|
||||
target = df['adr'].copy()
|
||||
|
||||
# Разделим данные на тренировочный и тестовый наборы
|
||||
X_train, X_test, y_train, y_test = train_test_split(features, target, test_size=0.2, random_state=42)
|
||||
@ -32,6 +44,15 @@ ridge_model.fit(X_train_scaled, y_train)
|
||||
# Делаем предсказания на тестовых данных
|
||||
predictions = ridge_model.predict(X_test_scaled)
|
||||
|
||||
# Оцениваем производительность модели
|
||||
mse = mean_squared_error(y_test, predictions)
|
||||
print(f"Среднеквадратичная ошибка (MSE): {mse}")
|
||||
# Оцениваем производительность модели по MSE метрике
|
||||
mse = math.sqrt(mean_squared_error(y_test, predictions))
|
||||
|
||||
# Оцениваем производительность модели по MAE метрике
|
||||
mae = mean_absolute_error(y_test, predictions)
|
||||
|
||||
# Оцениваем производительность модели по R^2 метрике
|
||||
r2 = r2_score(y_test, predictions)
|
||||
|
||||
print(f"Среднеквадратичная ошибка (MSE): {round(mse, 2)}%")
|
||||
print(f"Среднеабсолютное отклонение (MAE): {round(mae, 2)}%")
|
||||
print(f"Коэффициент детерминации (R^2): {round(r2, 4) * 100}%")
|
||||
|
||||
@ -1,16 +1,27 @@
|
||||
# Задание
|
||||
Предсказать, является ли транзакция мошеннической или нет на основе других данных о транзакции, таких как сумма транзакции, местоположение, банк, возраст и пол клиента
|
||||
### Как запустить лабораторную работу:
|
||||
ЛР запускается в файле zavrazhnova_svetlana_lab_5.py через Run, а затем в консоли должны появится вычисления
|
||||
# Лабораторная работа 5. Регрессия
|
||||
## Задание
|
||||
Использовать метод регрессии по варианту (24 == 4) для данных из таблицы, самостоятельно сформулировав задачу.
|
||||
Оценить, насколько хорошо она подходит для решения сформулированной мной задачи.
|
||||
|
||||
### Технологии
|
||||
Методы PolynomialFeatures и LogisticRegression из библиотеки sklearn
|
||||
Ссылка на мой датасет: https://www.kaggle.com/datasets/mlardi/hotel-booking-demand-with-economic-indicators
|
||||
## Задача
|
||||
Прогнозировать значение целевой переменной (доход) на основе набора экономических показателей,
|
||||
используя гребневую регрессию.
|
||||
### Запуск программы
|
||||
Файл lab5.py содержит и запускает программу.
|
||||
|
||||
### Что делает лабораторная:
|
||||
Обучаются модели логистической и полиномиальной регрессии на обучающих данных и используются эти модели для предсказания мошеннических транзакций на тестовых данных. Оценивается точность каждой модели с помощью метрики accuracy.
|
||||
### Описание программы
|
||||
Программа состоит из двух частей:
|
||||
1. Она считывает файл с данными о двух отелях: City Hotel и Resort Hotel. Содержит множество различных метрик
|
||||
2. Далее определяет необходимые признаки для характеристики дохода
|
||||
3. Обучает модель и выводит результат по различным метрикам
|
||||
### Результаты тестирования
|
||||
По результатам тестирования, можно сказать следующее:
|
||||
|
||||
### Пример выходных значений:
|
||||
|
||||
Вывод:
|
||||
* Среднеквадратичная ошибка (MSE) - 39% - показывает самое большое отклонение
|
||||
* Среднеабсолютное отклонение (MAE) - 29% - показывает средний уровень отклонения
|
||||
* Коэффициент детерминации (R^2) - 32% - показывает уровень изменчивости целевой переменной
|
||||
|
||||
### Вывод:
|
||||
Точность полиномиальной регрессии и логистической регрессии равны 1.0, это означает, что обе модели предсказали метки классов на тестовом наборе данных без ошибок. То есть они смогли точно определить, является ли транзакция мошеннической или нет.
|
||||
Результаты показывают, что модель может быть улучшена,
|
||||
так как имеется значительный уровень ошибки и только небольшая доля изменчивости данных объяснена моделью
|
||||
|
||||
Loading…
Reference in New Issue
Block a user