kondrashin_mikhail_lab_6/README.md

@@ -1,48 +0,0 @@
-#### Кондрашин Михаил ПИбд-41
-
-## Лабораторная работа 6. Нейронная сеть
-
-### Запуск лабораторной работы:
-
-* установить `python`, `numpy`, `matplotlib`, `sklearn`
-* запустить проект (стартовая точка класс `main.py`)
-
-### Используемые технологии:
-
-* Язык программирования `Python`,
-* Библиотеки `numpy`, `matplotlib`, `sklearn`
-* Среда разработки `IntelliJ IDEA` (В версии "Ultimate edition" можно писать на python)
-
-### Задача:
-Осуществить обучение модели нейронной сети для предсказания погоды относительно влияющих погодных факторов по наиболее важным признакам.
-
-### Описание решения:
-
-* Входные данные:
-    * Влияющие признаки
-      * D1 (угол, с которого дует ветер на самом высоком датчике мачты ветростанции)
-      * TI1 (показатель турбуленции на самом высоком датчике мачты ветростанции)
-      * V1 (Скорость ветра)
-      * RH (относительная влажность)
-      * P (атмосферное давление)
-    * Аппроксимирующий признак - температура
-    * Файл WindData.csv
-    * Модель классификатора состоит из двух скрытых слоев
-    * Задействованные функции: 
-      * relu
-      * identity
-      * tahn
-      * logistic
-    * max_iter=4000, n_iter_no_change=10, alpha=0.01
-
-### Результат:
-
-* Наиболее предпочтительной функцией при данных входных параметров для MLPClassifier является relu
-* tahn и logistic являются примерно одинаковыми
-* identity является наименьшей
-
-То есть нелинейная функция является наилучшей для задачи прогнозирования погоды
-
-![Result](images/result.png)
-
-

kondrashin_mikhail_lab_6/funcClassifier.py

@@ -1,12 +0,0 @@
-from sklearn.neural_network import MLPClassifier
-from sklearn.metrics import accuracy_score
-
-
-def random_state_fit(i, x_train, y_train, x_test, y_test, func):
-    mlp = MLPClassifier(random_state=i, max_iter=4000, n_iter_no_change=10,
-                        activation=func, alpha=0.01, hidden_layer_sizes=[100, 100])
-    mlp.fit(x_train, y_train)
-    predictions = mlp.predict(x_test)
-    acc_mlp = accuracy_score(y_test, predictions)
-    print(f"Func {func} with accuracy {acc_mlp} \n")
-    return acc_mlp

kondrashin_mikhail_lab_6/main.py

@@ -1,4 +0,0 @@
-from neuralNetwork import worker
-
-if __name__ == '__main__':
-    worker()

kondrashin_mikhail_lab_6/neuralNetwork.py

@@ -1,28 +0,0 @@
-import statistics
-
-import pandas as pd
-from sklearn.model_selection import train_test_split
-
-from funcClassifier import random_state_fit
-
-names = ['D1', 'TI1', 'V1', 'RH', 'P']
-
-
-def bring(data):
-    return data[names], data['T'].astype('int')
-
-
-def worker():
-    data = pd.read_csv('WindData.csv')
-
-    x, y = bring(data)
-
-    x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=100)
-
-    funcs = ['relu', 'identity', 'tanh', 'logistic']
-    acc = []
-    for i in range(0, len(funcs)):
-        acc.append(random_state_fit(i, x_train, y_train, x_test, y_test, funcs[i]))
-
-    print('\n Results: ')
-    print(f' Min is {min(acc)}, Median is {statistics.median(acc)}, Max is {max(acc)}')