kamyshov_danila_lab_6 is done

Reviewed-on: http://student.git.athene.tech/Alexey/IIS_2023_1/pulls/172

arzamaskina_milana_lab_1/README.md

@@ -0,0 +1,52 @@
+## Задание
+Работа с типовыми наборами данных и различными моделями.
+Сгенерируйте определенный тип данных и сравните на нем 3 модели
+
+Вариант №2
+
+Данные: make_circles(noise=0.2, factor=0.5, random_state=1)
+
+Модели:
++ Линейная регрессия
++ Полиномиальная регрессия (degree=3)
++ Гребневая рекрессия (degree=3, alpha=1.0)
+
+## Используемые технологии
+В лабораторной были использованы библиотеки:
++ matplotlib - используется для создания графиков
++ sklearn - используется для работы с моделями машинного обучения
+
+## Как запустить
+Запустить файл main.py, который выполнит необходимые действия над моделями 
+и выведет графики на экран.
+
+## Что делает программа
+Генерирует набор данных типа circles, делит его на обучающую и тестовую выборки.
+По очереди обучает на данных обучающей выборки 3 модели:
+модель линейной регрессии, модель полиномиальной регрессии со степенью 3 и 
+модель гребневой регрессии со степенью 3 и alpha=1.0.
+
+После обучения предсказания моделей проверяются на тестовых данных. 
+Строится 4 графика, один для отображения первоначальных тестовых и обучающих данных, где:
+`o` - точки обучающей выборки первого и второго типа.
+`x` - точки тестовой выборки первого и второго типа.
+И по одному графику для каждой модели, где:
+`o` - точки тестовой выборки первого и второго типа.
+
+Далее программа выведет оценки точности моделей. Полученные оценки:
++ Линейная регрессия - 0.268
++ Полиномиальная регрессия со степенью 3 - 0.134
++ Гребневая регрессия со степенью 3, alpha=1.0 - 0.131
+
+## Скриншоты работы программы
+График для отображения первоначальных тестовых и обучающих данных и
+полученные графики разбиения точек на классы:
+
+Линейная регрессия - Полиномиальная регрессия (со степенью 3) - Гребневая регрессия (со степенью 3, alpha=1.0)
+![img.png](img_screen_1.png)
+
+Вывод анализа точности работы моделей: 
+![img.png](img_screen_2.png)
+
+## Вывод
+Исходя из этого, можно сделать вывод: лучший результат показала модель линейной регрессии.

arzamaskina_milana_lab_1/main.py

@@ -0,0 +1,87 @@
+from matplotlib import pyplot as plt
+from matplotlib.colors import ListedColormap
+from sklearn.datasets import make_circles
+from sklearn.linear_model import LinearRegression, Ridge
+from sklearn.metrics import mean_squared_error
+from sklearn.model_selection import train_test_split
+from sklearn.pipeline import make_pipeline
+from sklearn.preprocessing import PolynomialFeatures, StandardScaler
+
+# Нелинейный генератор - позволяет сгенерировать такие классы-признаки,
+# что признаки одного класса геометрически окружают признаки другого класса
+X, y = make_circles(noise=0.2, factor=0.5, random_state=1)
+X = StandardScaler().fit_transform(X)
+
+# Разделение на обучающую и тестовую выборки (40% данных будет использовано для тестов)
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.4, random_state=42)
+
+# Создание необходимых для оценки моделей
+def models():
+    # Линейная регрессия
+    linear_regression = LinearRegression()
+    linear_regression.fit(X_train, y_train)
+
+    # Полиномиальная регрессия (degree=3)
+    poly_regression = make_pipeline(PolynomialFeatures(degree=3), LinearRegression())
+    poly_regression.fit(X_train, y_train)
+
+    # Гребневая рекрессия (degree=3, alpha=1.0)
+    ridge_regression = make_pipeline(PolynomialFeatures(degree=3), Ridge(alpha=1.0))
+    ridge_regression.fit(X_train, y_train)
+
+    models = [linear_regression, poly_regression, ridge_regression]
+
+    # Предсказанные y
+    linear_predict = linear_regression.predict(X_test)
+    poly_predict = poly_regression.predict(X_test)
+    ridge_predict = ridge_regression.predict(X_test)
+
+    pred = [linear_predict, poly_predict, ridge_predict]
+
+    # Среднеквадратичные ошибки
+    lin_mse = mean_squared_error(y_test, linear_predict)
+    poly_mse = mean_squared_error(y_test, poly_predict)
+    rr_mse = mean_squared_error(y_test, ridge_predict)
+
+    mse = [lin_mse, poly_mse, rr_mse]
+
+    grafics(pred, mse, models)
+
+# Графики
+def grafics(pred, mse, models):
+    fig, ax = plt.subplots(nrows=2, ncols=2, figsize=(8, 8))
+    cm_color1 = ListedColormap(['r', 'g'])
+
+    plt.suptitle('Лабораторная работа 1. Вариант 2.', fontweight='bold')
+
+    # График данных
+    plt.subplot(2, 2, 1)
+    plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm_color1, marker='o', label='тренировочные данные')
+    plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm_color1, marker='x', label='тестовые данные')
+    plt.title('Датасет circles', fontsize=10, loc='left')
+    plt.legend(loc='upper left')
+
+    # График линейной модели
+    plt.subplot(2, 2, 2)
+    plt.scatter(X_test[:, 0], X_test[:, 1], c=pred[0], cmap=cm_color1)
+    plt.title('Линейная регрессия', fontsize=10, loc='left')
+
+    # График полиномиальной модели (degree=3)
+    plt.subplot(2, 2, 3)
+    plt.scatter(X_test[:, 0], X_test[:, 1], c=pred[1], cmap=cm_color1)
+    plt.title('Полиномиальная регрессия (degree=3)', fontsize=10, loc='left')
+    plt.xlabel('X')
+    plt.ylabel('Y')
+
+    # График гребневой модели (degree=3, alpha=1.0)
+    plt.subplot(2, 2, 4)
+    plt.scatter(X_test[:, 0], X_test[:, 1], c=pred[2], cmap=cm_color1)
+    plt.title('Гребневая регрессия (degree=3, alpha=1.0)', fontsize=10, loc='left')
+    plt.show()
+
+    # Сравнение качества
+    print('Линейная MSE:', mse[0])
+    print('Полиномиальная (degree=3) MSE:', mse[1])
+    print('Гребневая (degree=3, alpha=1.0) MSE:', mse[2])
+
+models()

arzamaskina_milana_lab_2/README.md

@@ -0,0 +1,50 @@
+## Лабораторная работа №2
+
+### Ранжирование признаков
+
+Вариант №2
+
+## Задание:
+
+Используя код из [1] (пункт «Решение задачи ранжирования признаков», стр.  205),
+выполните  ранжирование признаков с помощью указанных по варианту моделей.
+Отобразите получившиеся значения\оценки каждого признака каждым методом\моделью и среднюю оценку.
+Проведите анализ получившихся результатов.
+Какие четыре признака оказались самыми важными по среднему значению?
+(Названия\индексы признаков и будут ответом на задание).
+
+Модели:
++ Линейная регрессия (LinearRegression)
++ Рекурсивное сокращение признаков (Recursive Feature Elimination –RFE),
++ Сокращение признаков Случайными деревьями (Random Forest Regressor)
+
+### Какие технологии использовались:
+
+Используемые библиотеки:
+* numpy
+* pandas
+* sklearn
+
+### Как запустить:
+
+* установить python, numpy, pandas, sklearn
+* запустить проект (стартовая точка - main.py)
+
+### Что делает программа:
+
+* Генерирует данные и обучает модели: LinearRegression, Recursive Feature Elimination (RFE), Random Forest Regressor
+* Производится ранжирование признаков с помощью моделей
+* Отображение получившихся результатов: значения признаков для каждой модели и 4 самых важных признака по среднему значению
+
+### 4 самых важных признака по среднему значению
+* Признак №1 : 0.887
+* Признак №4 : 0.821
+* Признак №2 : 0.741
+* Признак №11 : 0.600
+
+#### Результаты работы программы:
+
+![Result1](img_result_1.png)
+![Result2](img_result_2.png)
+![Result3](img_result_3.png)
+![Result4](img_result_4.png)

arzamaskina_milana_lab_2/main.py

@@ -0,0 +1,84 @@
+import numpy as np
+import pandas as pd
+from sklearn.linear_model import LinearRegression
+from sklearn.feature_selection import RFE
+from sklearn.ensemble import RandomForestRegressor
+from sklearn.preprocessing import MinMaxScaler
+
+# Используя код из [1](пункт «Решение задачи ранжирования признаков», стр.  205),
+# выполните  ранжирование признаков с помощью указанных по варианту моделей.
+# Отобразите получившиеся значения\оценки каждого признака каждым методом\моделью и среднюю оценку.
+# Проведите анализ получившихся результатов.
+# Какие четыре признака оказались самыми важными по среднему значению?
+# (Названия\индексы признаков и будут ответом на задание).
+
+# Линейная регрессия (LinearRegression)
+# Рекурсивное сокращение признаков (Recursive Feature Elimination –RFE),
+# Сокращение признаков Случайными деревьями (Random Forest Regressor)
+
+# Модели
+model_LR = LinearRegression()
+model_RFE = RFE(LinearRegression(), n_features_to_select=1)
+model_RFR = RandomForestRegressor()
+
+# Оценки моделей
+model_scores = {}
+
+# Cлучайные данные для регрессии
+def generation_data_and_start():
+    np.random.seed(0)
+    size = 750
+    X_ = np.random.uniform(0, 1, (size, 14))
+    y_ = (10 * np.sin(np.pi * X_[:, 0] * X_[:, 1]) + 20 * (X_[:, 2] - .5) ** 2 +
+         10 * X_[:, 3] + 5 * X_[:, 4] ** 5 + np.random.normal(0, 1))
+    X_[:, 10:] = X_[:, :4] + np.random.normal(0, .025, (size, 4))
+
+    # DataFrame для данных
+    data = pd.DataFrame(X_)
+    data['y'] = y_
+
+    models_study_and_scores(data.drop('y', axis=1), data['y'])
+    print_scores()
+
+# Обучение и оценка моделей
+def models_study_and_scores(X, y):
+
+    # Линейная регрессия
+    model_LR.fit(X, y)
+    # Нормализация коэффициентов признаков
+    norm_coef = MinMaxScaler().fit_transform(np.abs(model_LR.coef_).reshape(-1, 1))
+    model_scores["Линейная регрессия"] = norm_coef.flatten()
+
+    # Рекурсивное сокращение признаков
+    model_RFE.fit(X, y)
+    # Нормализация рангов
+    norm_rank = 1 - (model_RFE.ranking_ - 1) / (np.max(model_RFE.ranking_) - 1)
+    model_scores["Рекурсивное сокращение признаков"] = norm_rank
+
+    # Сокращение признаков Случайными деревьями
+    model_RFR.fit(X, y)
+    # Нормализация значений важности признаков
+    norm_imp = MinMaxScaler().fit_transform(model_RFR.feature_importances_.reshape(-1, 1))
+    model_scores["Сокращение признаков Случайными деревьями"] = norm_imp.flatten()
+
+# Вывод оценок
+def print_scores():
+    print()
+    print(f"---- Оценки признаков ----")
+    print()
+    for name, scores in model_scores.items():
+        print(f"{name}:")
+        for feature, score in enumerate(scores, start=1):
+            print(f"Признак №{feature}: {score:.3f}")
+        print(f"Средняя оценка признаков: {np.mean(scores):.3f}")
+        print()
+
+    # 4 наиболее важных признака по среднему значению
+    scores = np.mean(list(model_scores.values()), axis=0)
+    sorted_f = sorted(enumerate(scores, start=1), key=lambda x: x[1], reverse=True)
+    imp_features = sorted_f[:4]
+    print("Четыре наиболее важных признака:")
+    for f, score in imp_features:
+        print(f"Признак №{f}: {score:.3f}")
+
+generation_data_and_start()

degtyarev_mikhail_lab_1/Readme.md

@@ -0,0 +1,57 @@
+# Лабораторная 1
+
+## Задание
+Сгенерируйте определенный тип данных и сравнить  на  нем  3  модели  (по  варианту 9). Построить графики, отобразить качество моделей, объяснить полученные результаты
+
+## Данные
+
+make_classification (n_samples=500, n_features=2, n_redundant=0, n_informative=2, random_state=rs, n_clusters_per_class=1)
+- Модели:
+- - Персептрон
+- - Многослойный персептрон с 10-ю нейронами в скрытом слое (alpha = 0.01)
+- - Многослойный персептрон со 100-а нейронами в скрытом слое (alpha =0.01)
+
+## Описание Программы
+
+
+### Используемые библиотеки
+- scikit-learn
+- numpy
+- matplotlib
+
+### Шаги программы
+
+1. **Генерация данных:**
+   - Используется функция `make_classification` из библиотеки scikit-learn.
+   - Создаются два признака, и данные разделяются на два класса.
+   - Используется 500 сэмплов.
+
+2. **Разделение данных:**
+   - Данные разделяются на обучающий и тестовый наборы с использованием `train_test_split` из scikit-learn.
+   - Размер тестового набора установлен в 20% от общего размера.
+
+3. **Создание моделей:**
+   - Три модели создаются с использованием библиотеки scikit-learn:
+     - Персептрон
+     - Многослойный персептрон с 10 нейронами в скрытом слое
+     - Многослойный персептрон с 100 нейронами в скрытом слое
+
+4. **Обучение и Оценка:**
+   - Каждая модель обучается на обучающем наборе данных.
+   - Производится оценка каждой модели на тестовом наборе с использованием метрики точности (`accuracy`).
+
+5. **Визуализация данных и Границ Решения:**
+   - Для каждой модели строится график, на котором отображаются точки тестового набора и граница решения модели.
+   - Каждый график снабжен названием, указывающим на модель и ее точность.
+
+### Запуск программы
+- Склонировать или скачать код `main.py`.
+- Запустите файл в среде, поддерживающей выполнение Python.
+
+### Результаты
+- Можно проанализировать точность на графиках и понять,
+что самая точная из 3 моделей оказалась Многослойный персептрон со 100-а нейронами в скрытом слое.
+- Многослойный персептрон со 100-а нейронами: 0.96
+- Многослойный персептрон с 10-ю нейронами: 0.90
+- Персептрон: 0.86
+

degtyarev_mikhail_lab_1/main.py

@@ -0,0 +1,54 @@
+import matplotlib.pyplot as plt
+import numpy as np
+from sklearn.datasets import make_classification
+from sklearn.model_selection import train_test_split
+from sklearn.linear_model import Perceptron
+from sklearn.neural_network import MLPClassifier
+from sklearn.metrics import accuracy_score
+
+# Установите random_state, чтобы результаты были воспроизводимыми
+rs = 42
+
+# Генерация данных
+X, y = make_classification(
+    n_samples=500, n_features=2, n_redundant=0, n_informative=2,
+    random_state=rs, n_clusters_per_class=1
+)
+
+# Разделение данных на обучающий и тестовый наборы
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=rs)
+
+# Создание моделей
+models = [
+    ('Perceptron', Perceptron(random_state=rs)),
+    ('MLP (10 neurons)', MLPClassifier(hidden_layer_sizes=(10,), alpha=0.01, random_state=rs)),
+    ('MLP (100 neurons)', MLPClassifier(hidden_layer_sizes=(100,), alpha=0.01, random_state=rs))
+]
+
+# Обучение и оценка моделей
+results = {}
+
+plt.figure(figsize=(15, 5))
+
+for i, (name, model) in enumerate(models, 1):
+    plt.subplot(1, 3, i)
+    model.fit(X_train, y_train)
+    y_pred = model.predict(X_test)
+    accuracy = accuracy_score(y_test, y_pred)
+    results[name] = accuracy
+
+    # Разбиение точек на классы
+    plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=plt.cm.Paired, edgecolors='k')
+
+    # Построение границы решения для каждой модели
+    h = .02  # Шаг сетки
+    x_min, x_max = X_test[:, 0].min() - 1, X_test[:, 0].max() + 1
+    y_min, y_max = X_test[:, 1].min() - 1, X_test[:, 1].max() + 1
+    xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
+    Z = model.predict(np.c_[xx.ravel(), yy.ravel()])
+    Z = Z.reshape(xx.shape)
+    plt.contourf(xx, yy, Z, cmap=plt.cm.Paired, alpha=0.8)
+
+    plt.title(f'{name}\nAccuracy: {accuracy:.2f}')
+
+plt.show()

degtyarev_mikhail_lab_2/Readme.md

@@ -0,0 +1,60 @@
+# Лабораторная 2
+## Вариант 9
+
+## Задание
+Выполните  ранжирование  признаков  с  помощью  указанных  по вариантумоделей.  Отобразите  получившиеся  значения\оценки  каждого признака  каждым  методом\моделью  и  среднюю  оценку. Проведите анализ получившихся результатов.
+## Модели
+
+- Лассо (Lasso)
+- Сокращение признаков Случайными деревьями (Random Forest Regressor)
+- Линейная корреляция (f_regression)
+
+## Описание Программы
+Данная программа решает задачу ранжирования признаков в задаче регрессии, используя три различные модели: Lasso, случайные деревья (Random Forest) и линейную корреляцию (f_regression). Каждая модель ранжирует признаки в соответствии с их важностью, а затем производится вычисление среднего ранжирования для каждого признака на основе результатов всех моделей.
+
+
+### Используемые библиотеки
+- `numpy`: Для работы с массивами и вычислений.
+- `scikit-learn`: Библиотека машинного обучения для реализации моделей регрессии и методов ранжирования признаков.
+
+### Шаги программы
+
+Исходные данные: Генерация случайных данных для задачи регрессии, состоящей из 750 строк и 14 признаков.
+
+Модели:
+
+Lasso: Применение линейной модели Lasso с параметром альфа равным 0.05.
+Random Forest: Использование ансамбля случайных деревьев с 100 деревьями.
+Линейная корреляция (f_regression): Расчет коэффициентов корреляции между признаками и целевой переменной.
+Ранжирование признаков:
+
+Каждая модель ранжирует признаки в соответствии с их важностью.
+Используется MinMaxScaler для нормализации значений рангов.
+Среднее ранжирование:
+
+Для каждого признака рассчитывается среднее значение его ранга по всем моделям.
+Вывод результатов:
+
+Выводится среднее ранжирование для каждого признака.
+Показываются результаты ранжирования для каждой модели.
+Выводится топ-4 признака с их значениями на основе среднего ранжирования.
+
+### Запуск программы
+- Склонировать или скачать код `main.py`.
+- Запустите файл в среде, поддерживающей выполнение Python. `python main.py`
+
+### Результаты
+- Lasso
+{'x1': 0.69, 'x2': 0.72, 'x3': 0.0, 'x4': 1.0, 'x5': 0.29, 'x6': 0.0, 'x7': 0.0, 'x8': 0.0, 'x9': 0.0, 'x10': 0.0, 'x11': 0.0, 'x12': 0.0, 'x13': 0.0, 'x14': 0.0}
+- Random Forest
+{'x1': 0.66, 'x2': 0.76, 'x3': 0.1, 'x4': 0.55, 'x5': 0.23, 'x6': 0.0, 'x7': 0.01, 'x8': 0.0, 'x9': 0.0, 'x10': 0.0, 'x11': 0.29, 'x12': 0.28, 'x13': 0.09, 'x14': 1.0}
+- Correlation
+{'x1': 0.3, 'x2': 0.45, 'x3': 0.0, 'x4': 1.0, 'x5': 0.04, 'x6': 0.0, 'x7': 0.01, 'x8': 0.02, 'x9': 0.01, 'x10': 0.0, 'x11': 0.29, 'x12': 0.44, 'x13': 0.0, 'x14': 0.98}
+- Среднее
+{'x1': 0.55, 'x2': 0.64, 'x3': 0.03, 'x4': 0.85, 'x5': 0.19, 'x6': 0.0, 'x7': 0.01, 'x8': 0.01, 'x9': 0.0, 'x10': 0.0, 'x11': 0.19, 'x12': 0.24, 'x13': 0.03, 'x14': 0.66}
+- Топ 4 признака с их значениями на основе среднего ранжирования:
+1. **x4:** 0.85
+2. **x14:** 0.66
+3. **x2:** 0.64
+4. **x1:** 0.55
+

degtyarev_mikhail_lab_2/main.py

@@ -0,0 +1,71 @@
+from sklearn.linear_model import Lasso
+from sklearn.ensemble import RandomForestRegressor
+from sklearn.feature_selection import f_regression
+from sklearn.preprocessing import MinMaxScaler
+import numpy as np
+
+# Генерация исходных данных
+np.random.seed(0)
+size = 750
+X = np.random.uniform(0, 1, (size, 14))
+Y = (10 * np.sin(np.pi*X[:, 0]*X[:, 1]) + 20*(X[:, 2] - .5)**2 +
+     10*X[:, 3] + 5*X[:, 4]**5 + np.random.normal(0, 1))
+X[:, 10:] = X[:, :4] + np.random.normal(0, .025, (size, 4))
+
+# Лассо
+lasso = Lasso(alpha=0.05)
+lasso.fit(X, Y)
+
+# Случайные деревья
+rf = RandomForestRegressor(n_estimators=100, random_state=0)
+rf.fit(X, Y)
+
+# Линейная корреляция (f_regression)
+correlation_coeffs, _ = f_regression(X, Y)
+
+# Ранжирование с использованием MinMaxScaler
+def rank_to_dict(ranks, names):
+    ranks = np.abs(ranks)
+    minmax = MinMaxScaler()
+    ranks = minmax.fit_transform(np.array(ranks).reshape(14, 1)).ravel()
+    ranks = map(lambda x: round(x, 2), ranks)
+    return dict(zip(names, ranks))
+
+# Ранжирование для каждой модели
+ranks = {}
+names = ["x%s" % i for i in range(1, 15)]
+
+ranks["Lasso"] = rank_to_dict(lasso.coef_, names)
+ranks["Random Forest"] = rank_to_dict(rf.feature_importances_, names)
+ranks["Correlation"] = rank_to_dict(correlation_coeffs, names)
+
+# Создание пустого словаря для данных
+mean = {}
+
+# Обработка словаря ranks
+for key, value in ranks.items():
+    for item in value.items():
+        if item[0] not in mean:
+            mean[item[0]] = 0
+        mean[item[0]] += item[1]
+
+# Нахождение среднего по каждому признаку
+for key, value in mean.items():
+    res = value / len(ranks)
+    mean[key] = round(res, 2)
+
+# Сортировка и вывод списка средних значений
+mean_dict = dict(mean)
+print("MEAN")
+print(mean_dict)
+
+# Вывод результатов ранжирования для каждой модели
+for key, value in ranks.items():
+    print(key)
+    print(value)
+
+# Вывод топ-4 признаков с их значениями
+top_features = sorted(mean.items(), key=lambda x: x[1], reverse=True)[:4]
+print("Top 4 features with values:")
+for feature, value in top_features:
+    print(f"{feature}: {value}")

kamyshov_danila_lab_6/app.py

@@ -0,0 +1,82 @@
+from flask import Flask, request, render_template
+import pandas as pd
+from sklearn.model_selection import train_test_split
+from sklearn.neural_network import MLPClassifier
+from sklearn.preprocessing import StandardScaler, LabelEncoder
+from sklearn.compose import ColumnTransformer
+from sklearn.pipeline import make_pipeline
+
+# Создание экземпляра Flask
+app = Flask(__name__)
+
+# Загрузка данных из файла
+data = pd.read_csv("student-mat.csv")
+
+# Подготовка данных
+X = data[["Pstatus", "guardian", "internet", "romantic", "famrel", "freetime", "goout", "Dalc", "Walc", "health", "absences"]]
+y = data["G3"]
+
+# Преобразование категориальных признаков в числовые
+label_encoders = {}
+
+for column in ["Pstatus", "guardian", "internet", "romantic"]:
+    label_encoder = LabelEncoder()
+    X[column] = label_encoder.fit_transform(X[column])
+    label_encoders[column] = label_encoder
+
+# Разделение данных на обучающий и тестовый наборы
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
+
+# Преобразование данных
+preprocessor = ColumnTransformer(
+    transformers=[('num', StandardScaler(), X.columns)],
+    remainder='passthrough'
+)
+
+# Создание модели MLPClassifier
+mlp_classifier = MLPClassifier(
+    hidden_layer_sizes=(100, 50),  # Увеличим количество нейронов и слоев
+    max_iter=1000,
+    random_state=42
+)
+
+# Создание конвейера для обработки данных и обучения модели
+model = make_pipeline(preprocessor, mlp_classifier)
+
+# Обучение модели
+model.fit(X_train, y_train)
+
+# Маршрут для отображения HTML-формы
+@app.route('/', methods=['GET'])
+def index():
+    return render_template('index.html')
+
+# Маршрут для предсказания оценки
+@app.route('/predict', methods=['POST'])
+def predict():
+    data = request.form.to_dict()
+
+    # Подготовка данных для предсказания
+    input_data = [data.get(feature, 0) for feature in X.columns]
+
+    # Преобразование категориальных признаков в числовые с использованием сохраненных LabelEncoder
+    for column, label_encoder in label_encoders.items():
+        input_data[X.columns.get_loc(column)] = label_encoder.transform([input_data[X.columns.get_loc(column)]])
+
+    # Преобразование в DataFrame
+    input_df = pd.DataFrame([input_data], columns=X.columns)
+
+    # Дополним признаки, если какие-то из них отсутствуют в данных
+    missing_features = set(X.columns) - set(input_df.columns)
+    for feature in missing_features:
+        input_df[feature] = 0
+
+    # Сортировка столбцов в том же порядке, что и при обучении модели
+    input_df = input_df[X.columns]
+
+    # Предсказание с использованием обученной модели
+    prediction = model.predict(input_df)[0]
+    return f"Предсказанная оценка: {prediction}"
+
+if __name__ == '__main__':
+    app.run(port=5000)

kamyshov_danila_lab_6/readme.md

@@ -0,0 +1,39 @@
+Общее задание:
+Использовать нейронную сеть (четные варианты – MLPRegressor, нечетные – MLPClassifier) для данных из датасета выбранного для курсовой работы, самостоятельно сформулировав задачу. Интерпретировать результаты и оценить, насколько хорошо она подходит для решения сформулированной вами задачи.
+
+Задание по вариантам:
+модель MLPClassifier
+Тема: Анализ благополучия студентов
+Датасет: Student Alcohol Consumption
+ссылка: https://www.kaggle.com/datasets/uciml/student-alcohol-consumption?resource=download
+
+Задача для нейронной сети:
+предсказание оценки учащихся, опираясь на данные их социального благополучия
+
+Чтобы Запустить приложение нужно запустить файл app.py
+
+Используемые технологии:
+
+Flask: Фреймворк для создания веб-приложений на языке Python.
+pandas: Библиотека для обработки и анализа данных.
+scikit-learn: Библиотека для машинного обучения, включая MLPClassifier для нейронных сетей.
+HTML: Язык разметки для создания веб-страниц.
+CSS: Таблицы стилей для стилизации веб-страницы.
+Описание работы программы:
+Программа представляет собой веб-приложение, использующее машинное обучение для предсказания оценки студента. Она загружает данные из файла student-mat.csv, предобрабатывает их, обучает модель многослойного персептрона (MLP) на основе scikit-learn и предоставляет интерфейс для пользователя вводить данные студента и получать предсказание оценки.
+
+Входные данные:
+
+Pstatus: Статус совместного жилья родителей (A, T).
+guardian: Опекун студента (mother, father, mother).
+internet: Наличие интернета (no, yes).
+romantic: Наличие романтических отношений (no, yes).
+famrel: Оценка семейных отношений (4, 5, ...).
+freetime: Свободное время после школы (1, 2, ..., 5).
+goout: Время, проведенное с друзьями (1, 2, ..., 5).
+Dalc: Потребление алкоголя в рабочие дни (1, 2, ..., 5).
+Walc: Потребление алкоголя в выходные (1, 2, ..., 5).
+health: Текущее состояние здоровья (1, 2, ..., 5).
+absences: Количество пропущенных занятий (0, 1, 2, ...).
+Выходные данные:
+После ввода пользователем данных о студенте (через веб-форму), программа возвращает предсказанную оценку студента.

kamyshov_danila_lab_6/student-mat.csv

@@ -0,0 +1,396 @@
+school,sex,age,address,famsize,Pstatus,Medu,Fedu,Mjob,Fjob,reason,guardian,traveltime,studytime,failures,schoolsup,famsup,paid,activities,nursery,higher,internet,romantic,famrel,freetime,goout,Dalc,Walc,health,absences,G1,G2,G3
+GP,F,18,U,GT3,A,4,4,at_home,teacher,course,mother,2,2,0,yes,no,no,no,yes,yes,no,no,4,3,4,1,1,3,6,5,6,6
+GP,F,17,U,GT3,T,1,1,at_home,other,course,father,1,2,0,no,yes,no,no,no,yes,yes,no,5,3,3,1,1,3,4,5,5,6
+GP,F,15,U,LE3,T,1,1,at_home,other,other,mother,1,2,3,yes,no,yes,no,yes,yes,yes,no,4,3,2,2,3,3,10,7,8,10
+GP,F,15,U,GT3,T,4,2,health,services,home,mother,1,3,0,no,yes,yes,yes,yes,yes,yes,yes,3,2,2,1,1,5,2,15,14,15
+GP,F,16,U,GT3,T,3,3,other,other,home,father,1,2,0,no,yes,yes,no,yes,yes,no,no,4,3,2,1,2,5,4,6,10,10
+GP,M,16,U,LE3,T,4,3,services,other,reputation,mother,1,2,0,no,yes,yes,yes,yes,yes,yes,no,5,4,2,1,2,5,10,15,15,15
+GP,M,16,U,LE3,T,2,2,other,other,home,mother,1,2,0,no,no,no,no,yes,yes,yes,no,4,4,4,1,1,3,0,12,12,11
+GP,F,17,U,GT3,A,4,4,other,teacher,home,mother,2,2,0,yes,yes,no,no,yes,yes,no,no,4,1,4,1,1,1,6,6,5,6
+GP,M,15,U,LE3,A,3,2,services,other,home,mother,1,2,0,no,yes,yes,no,yes,yes,yes,no,4,2,2,1,1,1,0,16,18,19
+GP,M,15,U,GT3,T,3,4,other,other,home,mother,1,2,0,no,yes,yes,yes,yes,yes,yes,no,5,5,1,1,1,5,0,14,15,15
+GP,F,15,U,GT3,T,4,4,teacher,health,reputation,mother,1,2,0,no,yes,yes,no,yes,yes,yes,no,3,3,3,1,2,2,0,10,8,9
+GP,F,15,U,GT3,T,2,1,services,other,reputation,father,3,3,0,no,yes,no,yes,yes,yes,yes,no,5,2,2,1,1,4,4,10,12,12
+GP,M,15,U,LE3,T,4,4,health,services,course,father,1,1,0,no,yes,yes,yes,yes,yes,yes,no,4,3,3,1,3,5,2,14,14,14
+GP,M,15,U,GT3,T,4,3,teacher,other,course,mother,2,2,0,no,yes,yes,no,yes,yes,yes,no,5,4,3,1,2,3,2,10,10,11
+GP,M,15,U,GT3,A,2,2,other,other,home,other,1,3,0,no,yes,no,no,yes,yes,yes,yes,4,5,2,1,1,3,0,14,16,16
+GP,F,16,U,GT3,T,4,4,health,other,home,mother,1,1,0,no,yes,no,no,yes,yes,yes,no,4,4,4,1,2,2,4,14,14,14
+GP,F,16,U,GT3,T,4,4,services,services,reputation,mother,1,3,0,no,yes,yes,yes,yes,yes,yes,no,3,2,3,1,2,2,6,13,14,14
+GP,F,16,U,GT3,T,3,3,other,other,reputation,mother,3,2,0,yes,yes,no,yes,yes,yes,no,no,5,3,2,1,1,4,4,8,10,10
+GP,M,17,U,GT3,T,3,2,services,services,course,mother,1,1,3,no,yes,no,yes,yes,yes,yes,no,5,5,5,2,4,5,16,6,5,5
+GP,M,16,U,LE3,T,4,3,health,other,home,father,1,1,0,no,no,yes,yes,yes,yes,yes,no,3,1,3,1,3,5,4,8,10,10
+GP,M,15,U,GT3,T,4,3,teacher,other,reputation,mother,1,2,0,no,no,no,no,yes,yes,yes,no,4,4,1,1,1,1,0,13,14,15
+GP,M,15,U,GT3,T,4,4,health,health,other,father,1,1,0,no,yes,yes,no,yes,yes,yes,no,5,4,2,1,1,5,0,12,15,15
+GP,M,16,U,LE3,T,4,2,teacher,other,course,mother,1,2,0,no,no,no,yes,yes,yes,yes,no,4,5,1,1,3,5,2,15,15,16
+GP,M,16,U,LE3,T,2,2,other,other,reputation,mother,2,2,0,no,yes,no,yes,yes,yes,yes,no,5,4,4,2,4,5,0,13,13,12
+GP,F,15,R,GT3,T,2,4,services,health,course,mother,1,3,0,yes,yes,yes,yes,yes,yes,yes,no,4,3,2,1,1,5,2,10,9,8
+GP,F,16,U,GT3,T,2,2,services,services,home,mother,1,1,2,no,yes,yes,no,no,yes,yes,no,1,2,2,1,3,5,14,6,9,8
+GP,M,15,U,GT3,T,2,2,other,other,home,mother,1,1,0,no,yes,yes,no,yes,yes,yes,no,4,2,2,1,2,5,2,12,12,11
+GP,M,15,U,GT3,T,4,2,health,services,other,mother,1,1,0,no,no,yes,no,yes,yes,yes,no,2,2,4,2,4,1,4,15,16,15
+GP,M,16,U,LE3,A,3,4,services,other,home,mother,1,2,0,yes,yes,no,yes,yes,yes,yes,no,5,3,3,1,1,5,4,11,11,11
+GP,M,16,U,GT3,T,4,4,teacher,teacher,home,mother,1,2,0,no,yes,yes,yes,yes,yes,yes,yes,4,4,5,5,5,5,16,10,12,11
+GP,M,15,U,GT3,T,4,4,health,services,home,mother,1,2,0,no,yes,yes,no,no,yes,yes,no,5,4,2,3,4,5,0,9,11,12
+GP,M,15,U,GT3,T,4,4,services,services,reputation,mother,2,2,0,no,yes,no,yes,yes,yes,yes,no,4,3,1,1,1,5,0,17,16,17
+GP,M,15,R,GT3,T,4,3,teacher,at_home,course,mother,1,2,0,no,yes,no,yes,yes,yes,yes,yes,4,5,2,1,1,5,0,17,16,16
+GP,M,15,U,LE3,T,3,3,other,other,course,mother,1,2,0,no,no,no,yes,no,yes,yes,no,5,3,2,1,1,2,0,8,10,12
+GP,M,16,U,GT3,T,3,2,other,other,home,mother,1,1,0,no,yes,yes,no,no,yes,yes,no,5,4,3,1,1,5,0,12,14,15
+GP,F,15,U,GT3,T,2,3,other,other,other,father,2,1,0,no,yes,no,yes,yes,yes,no,no,3,5,1,1,1,5,0,8,7,6
+GP,M,15,U,LE3,T,4,3,teacher,services,home,mother,1,3,0,no,yes,no,yes,yes,yes,yes,no,5,4,3,1,1,4,2,15,16,18
+GP,M,16,R,GT3,A,4,4,other,teacher,reputation,mother,2,3,0,no,yes,no,yes,yes,yes,yes,yes,2,4,3,1,1,5,7,15,16,15
+GP,F,15,R,GT3,T,3,4,services,health,course,mother,1,3,0,yes,yes,yes,yes,yes,yes,yes,no,4,3,2,1,1,5,2,12,12,11
+GP,F,15,R,GT3,T,2,2,at_home,other,reputation,mother,1,1,0,yes,yes,yes,yes,yes,yes,no,no,4,3,1,1,1,2,8,14,13,13
+GP,F,16,U,LE3,T,2,2,other,other,home,mother,2,2,1,no,yes,no,yes,no,yes,yes,yes,3,3,3,1,2,3,25,7,10,11
+GP,M,15,U,LE3,T,4,4,teacher,other,home,other,1,1,0,no,yes,no,no,no,yes,yes,yes,5,4,3,2,4,5,8,12,12,12
+GP,M,15,U,GT3,T,4,4,services,teacher,course,father,1,2,0,no,yes,no,yes,yes,yes,yes,no,4,3,3,1,1,5,2,19,18,18
+GP,M,15,U,GT3,T,2,2,services,services,course,father,1,1,0,yes,yes,no,no,yes,yes,yes,no,5,4,1,1,1,1,0,8,8,11
+GP,F,16,U,LE3,T,2,2,other,at_home,course,father,2,2,1,yes,no,no,yes,yes,yes,yes,no,4,3,3,2,2,5,14,10,10,9
+GP,F,15,U,LE3,A,4,3,other,other,course,mother,1,2,0,yes,yes,yes,yes,yes,yes,yes,yes,5,2,2,1,1,5,8,8,8,6
+GP,F,16,U,LE3,A,3,3,other,services,home,mother,1,2,0,no,yes,no,no,yes,yes,yes,no,2,3,5,1,4,3,12,11,12,11
+GP,M,16,U,GT3,T,4,3,health,services,reputation,mother,1,4,0,no,no,no,yes,yes,yes,yes,no,4,2,2,1,1,2,4,19,19,20
+GP,M,15,U,GT3,T,4,2,teacher,other,home,mother,1,2,0,no,yes,yes,no,yes,yes,no,no,4,3,3,2,2,5,2,15,15,14
+GP,F,15,U,GT3,T,4,4,services,teacher,other,father,1,2,1,yes,yes,no,yes,no,yes,yes,no,4,4,4,1,1,3,2,7,7,7
+GP,F,16,U,LE3,T,2,2,services,services,course,mother,3,2,0,no,yes,yes,no,yes,yes,yes,no,4,3,3,2,3,4,2,12,13,13
+GP,F,15,U,LE3,T,4,2,health,other,other,mother,1,2,0,no,yes,yes,no,yes,yes,yes,no,4,3,3,1,1,5,2,11,13,13
+GP,M,15,U,LE3,A,4,2,health,health,other,father,2,1,1,no,no,no,no,yes,yes,no,no,5,5,5,3,4,5,6,11,11,10
+GP,F,15,U,GT3,T,4,4,services,services,course,mother,1,1,0,yes,yes,yes,no,yes,yes,yes,no,3,3,4,2,3,5,0,8,10,11
+GP,F,15,U,LE3,A,3,3,other,other,other,mother,1,1,0,no,no,yes,no,yes,yes,yes,no,5,3,4,4,4,1,6,10,13,13
+GP,F,16,U,GT3,A,2,1,other,other,other,mother,1,2,0,no,no,yes,yes,yes,yes,yes,yes,5,3,4,1,1,2,8,8,9,10
+GP,F,15,U,GT3,A,4,3,services,services,reputation,mother,1,2,0,no,yes,yes,yes,yes,yes,yes,no,4,3,2,1,1,1,0,14,15,15
+GP,M,15,U,GT3,T,4,4,teacher,health,reputation,mother,1,2,0,no,yes,no,yes,yes,yes,no,no,3,2,2,1,1,5,4,14,15,15
+GP,M,15,U,LE3,T,1,2,other,at_home,home,father,1,2,0,yes,yes,no,yes,yes,yes,yes,no,4,3,2,1,1,5,2,9,10,9
+GP,F,16,U,GT3,T,4,2,services,other,course,mother,1,2,0,no,yes,no,no,yes,yes,yes,no,4,2,3,1,1,5,2,15,16,16
+GP,F,16,R,GT3,T,4,4,health,teacher,other,mother,1,2,0,no,yes,no,yes,yes,yes,no,no,2,4,4,2,3,4,6,10,11,11
+GP,F,16,U,GT3,T,1,1,services,services,course,father,4,1,0,yes,yes,no,yes,no,yes,yes,yes,5,5,5,5,5,5,6,10,8,11
+GP,F,16,U,LE3,T,1,2,other,services,reputation,father,1,2,0,yes,no,no,yes,yes,yes,yes,no,4,4,3,1,1,1,4,8,10,9
+GP,F,16,U,GT3,T,4,3,teacher,health,home,mother,1,3,0,yes,yes,yes,yes,yes,yes,yes,no,3,4,4,2,4,4,2,10,9,9
+GP,F,15,U,LE3,T,4,3,services,services,reputation,father,1,2,0,yes,no,no,yes,yes,yes,yes,yes,4,4,4,2,4,2,0,10,10,10
+GP,F,16,U,LE3,T,4,3,teacher,services,course,mother,3,2,0,no,yes,no,yes,yes,yes,yes,no,5,4,3,1,2,1,2,16,15,15
+GP,M,15,U,GT3,A,4,4,other,services,reputation,mother,1,4,0,no,yes,no,yes,no,yes,yes,yes,1,3,3,5,5,3,4,13,13,12
+GP,F,16,U,GT3,T,3,1,services,other,course,mother,1,4,0,yes,yes,yes,no,yes,yes,yes,no,4,3,3,1,2,5,4,7,7,6
+GP,F,15,R,LE3,T,2,2,health,services,reputation,mother,2,2,0,yes,yes,yes,no,yes,yes,yes,no,4,1,3,1,3,4,2,8,9,8
+GP,F,15,R,LE3,T,3,1,other,other,reputation,father,2,4,0,no,yes,no,no,no,yes,yes,no,4,4,2,2,3,3,12,16,16,16
+GP,M,16,U,GT3,T,3,1,other,other,reputation,father,2,4,0,no,yes,yes,no,yes,yes,yes,no,4,3,2,1,1,5,0,13,15,15
+GP,M,15,U,GT3,T,4,2,other,other,course,mother,1,4,0,no,no,no,no,yes,yes,yes,no,3,3,3,1,1,3,0,10,10,10
+GP,F,15,R,GT3,T,1,1,other,other,reputation,mother,1,2,2,yes,yes,no,no,no,yes,yes,yes,3,3,4,2,4,5,2,8,6,5
+GP,M,16,U,GT3,T,3,1,other,other,reputation,mother,1,1,0,no,no,no,yes,yes,yes,no,no,5,3,2,2,2,5,2,12,12,14
+GP,F,16,U,GT3,T,3,3,other,services,home,mother,1,2,0,yes,yes,yes,yes,yes,yes,yes,no,4,3,3,2,4,5,54,11,12,11
+GP,M,15,U,GT3,T,4,3,teacher,other,home,mother,1,2,0,no,yes,yes,yes,yes,yes,yes,no,4,3,3,2,3,5,6,9,9,10
+GP,M,15,U,GT3,T,4,0,teacher,other,course,mother,2,4,0,no,no,no,yes,yes,yes,yes,no,3,4,3,1,1,1,8,11,11,10
+GP,F,16,U,GT3,T,2,2,other,other,reputation,mother,1,4,0,no,no,yes,no,yes,yes,yes,yes,5,2,3,1,3,3,0,11,11,11
+GP,M,17,U,GT3,T,2,1,other,other,home,mother,2,1,3,yes,yes,no,yes,yes,no,yes,no,4,5,1,1,1,3,2,8,8,10
+GP,F,16,U,GT3,T,3,4,at_home,other,course,mother,1,2,0,no,yes,no,no,yes,yes,yes,no,2,4,3,1,2,3,12,5,5,5
+GP,M,15,U,GT3,T,2,3,other,services,course,father,1,1,0,yes,yes,yes,yes,no,yes,yes,yes,3,2,2,1,3,3,2,10,12,12
+GP,M,15,U,GT3,T,2,3,other,other,home,mother,1,3,0,yes,no,yes,no,no,yes,yes,no,5,3,2,1,2,5,4,11,10,11
+GP,F,15,U,LE3,T,3,2,services,other,reputation,mother,1,2,0,no,yes,yes,no,yes,yes,yes,no,4,4,4,1,1,5,10,7,6,6
+GP,M,15,U,LE3,T,2,2,services,services,home,mother,2,2,0,no,no,yes,yes,yes,yes,yes,no,5,3,3,1,3,4,4,15,15,15
+GP,F,15,U,GT3,T,1,1,other,other,home,father,1,2,0,no,yes,no,yes,no,yes,yes,no,4,3,2,2,3,4,2,9,10,10
+GP,F,15,U,GT3,T,4,4,services,services,reputation,father,2,2,2,no,no,yes,no,yes,yes,yes,yes,4,4,4,2,3,5,6,7,9,8
+GP,F,16,U,LE3,T,2,2,at_home,other,course,mother,1,2,0,no,yes,no,no,yes,yes,no,no,4,3,4,1,2,2,4,8,7,6
+GP,F,15,U,GT3,T,4,2,other,other,reputation,mother,1,3,0,no,yes,no,yes,yes,yes,yes,no,5,3,3,1,3,1,4,13,14,14
+GP,M,16,U,GT3,T,2,2,services,other,reputation,father,2,2,1,no,no,yes,yes,no,yes,yes,no,4,4,2,1,1,3,12,11,10,10
+GP,M,16,U,LE3,A,4,4,teacher,health,reputation,mother,1,2,0,no,yes,no,no,yes,yes,no,no,4,1,3,3,5,5,18,8,6,7
+GP,F,16,U,GT3,T,3,3,other,other,home,mother,1,3,0,no,yes,yes,no,yes,yes,yes,yes,4,3,3,1,3,4,0,7,7,8
+GP,F,15,U,GT3,T,4,3,services,other,reputation,mother,1,1,0,no,no,yes,yes,yes,yes,yes,no,4,5,5,1,3,1,4,16,17,18
+GP,F,16,U,LE3,T,3,1,other,other,home,father,1,2,0,yes,yes,no,no,yes,yes,no,no,3,3,3,2,3,2,4,7,6,6
+GP,F,16,U,GT3,T,4,2,teacher,services,home,mother,2,2,0,no,yes,yes,yes,yes,yes,yes,no,5,3,3,1,1,1,0,11,10,10
+GP,M,15,U,LE3,T,2,2,services,health,reputation,mother,1,4,0,no,yes,no,yes,yes,yes,yes,no,4,3,4,1,1,4,6,11,13,14
+GP,F,15,R,GT3,T,1,1,at_home,other,home,mother,2,4,1,yes,yes,yes,yes,yes,yes,yes,no,3,1,2,1,1,1,2,7,10,10
+GP,M,16,R,GT3,T,4,3,services,other,reputation,mother,2,1,0,yes,yes,no,yes,no,yes,yes,no,3,3,3,1,1,4,2,11,15,15
+GP,F,16,U,GT3,T,2,1,other,other,course,mother,1,2,0,no,yes,yes,no,yes,yes,no,yes,4,3,5,1,1,5,2,8,9,10
+GP,F,16,U,GT3,T,4,4,other,other,reputation,mother,1,1,0,no,no,no,yes,no,yes,yes,no,5,3,4,1,2,1,6,11,14,14
+GP,F,16,U,GT3,T,4,3,other,at_home,course,mother,1,3,0,yes,yes,yes,no,yes,yes,yes,no,5,3,5,1,1,3,0,7,9,8
+GP,M,16,U,GT3,T,4,4,services,services,other,mother,1,1,0,yes,yes,yes,yes,yes,yes,yes,no,4,5,5,5,5,4,14,7,7,5
+GP,M,16,U,GT3,T,4,4,services,teacher,other,father,1,3,0,no,yes,no,yes,yes,yes,yes,yes,4,4,3,1,1,4,0,16,17,17
+GP,M,15,U,GT3,T,4,4,services,other,course,mother,1,1,0,no,yes,no,yes,no,yes,yes,no,5,3,3,1,1,5,4,10,13,14
+GP,F,15,U,GT3,T,3,2,services,other,home,mother,2,2,0,yes,yes,yes,no,yes,yes,yes,no,4,3,5,1,1,2,26,7,6,6
+GP,M,15,U,GT3,A,3,4,services,other,course,mother,1,2,0,no,yes,yes,yes,yes,yes,yes,no,5,4,4,1,1,1,0,16,18,18
+GP,F,15,U,GT3,A,3,3,other,health,reputation,father,1,4,0,yes,no,no,no,yes,yes,no,no,4,3,3,1,1,4,10,10,11,11
+GP,F,15,U,GT3,T,2,2,other,other,course,mother,1,4,0,yes,yes,yes,no,yes,yes,yes,no,5,1,2,1,1,3,8,7,8,8
+GP,M,16,U,GT3,T,3,3,services,other,home,father,1,3,0,no,yes,no,yes,yes,yes,yes,no,5,3,3,1,1,5,2,16,18,18
+GP,M,15,R,GT3,T,4,4,other,other,home,father,4,4,0,no,yes,yes,yes,yes,yes,yes,yes,1,3,5,3,5,1,6,10,13,13
+GP,F,16,U,LE3,T,4,4,health,health,other,mother,1,3,0,no,yes,yes,yes,yes,yes,yes,yes,5,4,5,1,1,4,4,14,15,16
+GP,M,15,U,LE3,A,4,4,teacher,teacher,course,mother,1,1,0,no,no,no,yes,yes,yes,yes,no,5,5,3,1,1,4,6,18,19,19
+GP,F,16,R,GT3,T,3,3,services,other,reputation,father,1,3,1,yes,yes,no,yes,yes,yes,yes,no,4,1,2,1,1,2,0,7,10,10
+GP,F,16,U,GT3,T,2,2,at_home,other,home,mother,1,2,1,yes,no,no,yes,yes,yes,yes,no,3,1,2,1,1,5,6,10,13,13
+GP,M,15,U,LE3,T,4,2,teacher,other,course,mother,1,1,0,no,no,no,no,yes,yes,yes,no,3,5,2,1,1,3,10,18,19,19
+GP,M,15,R,GT3,T,2,1,health,services,reputation,mother,1,2,0,no,no,no,yes,yes,yes,yes,yes,5,4,2,1,1,5,8,9,9,9
+GP,M,16,U,GT3,T,4,4,teacher,teacher,course,father,1,2,0,no,yes,no,yes,yes,yes,yes,no,5,4,4,1,2,5,2,15,15,16
+GP,M,15,U,GT3,T,4,4,other,teacher,reputation,father,2,2,0,no,yes,no,yes,yes,yes,no,no,4,4,3,1,1,2,2,11,13,14
+GP,M,16,U,GT3,T,3,3,other,services,home,father,2,1,0,no,no,no,yes,yes,yes,yes,no,5,4,2,1,1,5,0,13,14,13
+GP,M,17,R,GT3,T,1,3,other,other,course,father,3,2,1,no,yes,no,yes,yes,yes,yes,no,5,2,4,1,4,5,20,9,7,8
+GP,M,15,U,GT3,T,3,4,other,other,reputation,father,1,1,0,no,no,no,no,yes,yes,yes,no,3,4,3,1,2,4,6,14,13,13
+GP,F,15,U,GT3,T,1,2,at_home,services,course,mother,1,2,0,no,no,no,no,no,yes,yes,no,3,2,3,1,2,1,2,16,15,15
+GP,M,15,U,GT3,T,2,2,services,services,home,father,1,4,0,no,yes,yes,yes,yes,yes,yes,no,5,5,4,1,2,5,6,16,14,15
+GP,F,16,U,LE3,T,2,4,other,health,course,father,2,2,0,no,yes,yes,yes,yes,yes,yes,yes,4,2,2,1,2,5,2,13,13,13
+GP,M,16,U,GT3,T,4,4,health,other,course,mother,1,1,0,no,yes,no,yes,yes,yes,yes,no,3,4,4,1,4,5,18,14,11,13
+GP,F,16,U,GT3,T,2,2,other,other,home,mother,1,2,0,no,no,yes,no,yes,yes,yes,yes,5,4,4,1,1,5,0,8,7,8
+GP,M,15,U,GT3,T,3,4,services,services,home,father,1,1,0,yes,no,no,no,yes,yes,yes,no,5,5,5,3,2,5,0,13,13,12
+GP,F,15,U,LE3,A,3,4,other,other,home,mother,1,2,0,yes,no,no,yes,yes,yes,yes,yes,5,3,2,1,1,1,0,7,10,11
+GP,F,19,U,GT3,T,0,1,at_home,other,course,other,1,2,3,no,yes,no,no,no,no,no,no,3,4,2,1,1,5,2,7,8,9
+GP,M,18,R,GT3,T,2,2,services,other,reputation,mother,1,1,2,no,yes,no,yes,yes,yes,yes,no,3,3,3,1,2,4,0,7,4,0
+GP,M,16,R,GT3,T,4,4,teacher,teacher,course,mother,1,1,0,no,no,yes,yes,yes,yes,yes,no,3,5,5,2,5,4,8,18,18,18
+GP,F,15,R,GT3,T,3,4,services,teacher,course,father,2,3,2,no,yes,no,no,yes,yes,yes,yes,4,2,2,2,2,5,0,12,0,0
+GP,F,15,U,GT3,T,1,1,at_home,other,course,mother,3,1,0,no,yes,no,yes,no,yes,yes,yes,4,3,3,1,2,4,0,8,0,0
+GP,F,17,U,LE3,T,2,2,other,other,course,father,1,1,0,no,yes,no,no,yes,yes,yes,yes,3,4,4,1,3,5,12,10,13,12
+GP,F,16,U,GT3,A,3,4,services,other,course,father,1,1,0,no,no,no,no,yes,yes,yes,no,3,2,1,1,4,5,16,12,11,11
+GP,M,15,R,GT3,T,3,4,at_home,teacher,course,mother,4,2,0,no,yes,no,no,yes,yes,no,yes,5,3,3,1,1,5,0,9,0,0
+GP,F,15,U,GT3,T,4,4,services,at_home,course,mother,1,3,0,no,yes,no,yes,yes,yes,yes,yes,4,3,3,1,1,5,0,11,0,0
+GP,M,17,R,GT3,T,3,4,at_home,other,course,mother,3,2,0,no,no,no,no,yes,yes,no,no,5,4,5,2,4,5,0,10,0,0
+GP,F,16,U,GT3,A,3,3,other,other,course,other,2,1,2,no,yes,no,yes,no,yes,yes,yes,4,3,2,1,1,5,0,4,0,0
+GP,M,16,U,LE3,T,1,1,services,other,course,mother,1,2,1,no,no,no,no,yes,yes,no,yes,4,4,4,1,3,5,0,14,12,12
+GP,F,15,U,GT3,T,4,4,teacher,teacher,course,mother,2,1,0,no,no,no,yes,yes,yes,yes,no,4,3,2,1,1,5,0,16,16,15
+GP,M,15,U,GT3,T,4,3,teacher,services,course,father,2,4,0,yes,yes,no,no,yes,yes,yes,no,2,2,2,1,1,3,0,7,9,0
+GP,M,16,U,LE3,T,2,2,services,services,reputation,father,2,1,2,no,yes,no,yes,yes,yes,yes,no,2,3,3,2,2,2,8,9,9,9
+GP,F,15,U,GT3,T,4,4,teacher,services,course,mother,1,3,0,no,yes,yes,yes,yes,yes,yes,no,4,2,2,1,1,5,2,9,11,11
+GP,F,16,U,LE3,T,1,1,at_home,at_home,course,mother,1,1,0,no,no,no,no,yes,yes,yes,no,3,4,4,3,3,1,2,14,14,13
+GP,M,17,U,GT3,T,2,1,other,other,home,mother,1,1,3,no,yes,no,no,yes,yes,yes,no,5,4,5,1,2,5,0,5,0,0
+GP,F,15,U,GT3,T,1,1,other,services,course,father,1,2,0,no,yes,yes,no,yes,yes,yes,no,4,4,2,1,2,5,0,8,11,11
+GP,F,15,U,GT3,T,3,2,health,services,home,father,1,2,3,no,yes,no,no,yes,yes,yes,no,3,3,2,1,1,3,0,6,7,0
+GP,F,15,U,GT3,T,1,2,at_home,other,course,mother,1,2,0,no,yes,yes,no,no,yes,yes,no,4,3,2,1,1,5,2,10,11,11
+GP,M,16,U,GT3,T,4,4,teacher,teacher,course,mother,1,1,0,no,yes,no,no,yes,no,yes,yes,3,3,2,2,1,5,0,7,6,0
+GP,M,15,U,LE3,A,2,1,services,other,course,mother,4,1,3,no,no,no,no,yes,yes,yes,no,4,5,5,2,5,5,0,8,9,10
+GP,M,18,U,LE3,T,1,1,other,other,course,mother,1,1,3,no,no,no,no,yes,no,yes,yes,2,3,5,2,5,4,0,6,5,0
+GP,M,16,U,LE3,T,2,1,at_home,other,course,mother,1,1,1,no,no,no,yes,yes,yes,no,yes,4,4,4,3,5,5,6,12,13,14
+GP,F,15,R,GT3,T,3,3,services,services,reputation,other,2,3,2,no,yes,yes,yes,yes,yes,yes,yes,4,2,1,2,3,3,8,10,10,10
+GP,M,19,U,GT3,T,3,2,services,at_home,home,mother,1,1,3,no,yes,no,no,yes,no,yes,yes,4,5,4,1,1,4,0,5,0,0
+GP,F,17,U,GT3,T,4,4,other,teacher,course,mother,1,1,0,yes,yes,no,no,yes,yes,no,yes,4,2,1,1,1,4,0,11,11,12
+GP,M,15,R,GT3,T,2,3,at_home,services,course,mother,1,2,0,yes,no,yes,yes,yes,yes,no,no,4,4,4,1,1,1,2,11,8,8
+GP,M,17,R,LE3,T,1,2,other,other,reputation,mother,1,1,0,no,no,no,no,yes,yes,no,no,2,2,2,3,3,5,8,16,12,13
+GP,F,18,R,GT3,T,1,1,at_home,other,course,mother,3,1,3,no,yes,no,yes,no,yes,no,no,5,2,5,1,5,4,6,9,8,10
+GP,M,16,R,GT3,T,2,2,at_home,other,course,mother,3,1,0,no,no,no,no,no,yes,no,no,4,2,2,1,2,3,2,17,15,15
+GP,M,16,U,GT3,T,3,3,other,services,course,father,1,2,1,no,yes,yes,no,yes,yes,yes,yes,4,5,5,4,4,5,4,10,12,12
+GP,M,17,R,LE3,T,2,1,at_home,other,course,mother,2,1,2,no,no,no,yes,yes,no,yes,yes,3,3,2,2,2,5,0,7,6,0
+GP,M,15,R,GT3,T,3,2,other,other,course,mother,2,2,2,yes,yes,no,no,yes,yes,yes,yes,4,4,4,1,4,3,6,5,9,7
+GP,M,16,U,LE3,T,1,2,other,other,course,mother,2,1,1,no,no,no,yes,yes,yes,no,no,4,4,4,2,4,5,0,7,0,0
+GP,M,17,U,GT3,T,1,3,at_home,services,course,father,1,1,0,no,no,no,no,yes,no,yes,no,5,3,3,1,4,2,2,10,10,10
+GP,M,17,R,LE3,T,1,1,other,services,course,mother,4,2,3,no,no,no,yes,yes,no,no,yes,5,3,5,1,5,5,0,5,8,7
+GP,M,16,U,GT3,T,3,2,services,services,course,mother,2,1,1,no,yes,no,yes,no,no,no,no,4,5,2,1,1,2,16,12,11,12
+GP,M,16,U,GT3,T,2,2,other,other,course,father,1,2,0,no,no,no,no,yes,no,yes,no,4,3,5,2,4,4,4,10,10,10
+GP,F,16,U,GT3,T,4,2,health,services,home,father,1,2,0,no,no,yes,no,yes,yes,yes,yes,4,2,3,1,1,3,0,14,15,16
+GP,F,16,U,GT3,T,2,2,other,other,home,mother,1,2,0,no,yes,yes,no,no,yes,yes,no,5,1,5,1,1,4,0,6,7,0
+GP,F,16,U,GT3,T,4,4,health,health,reputation,mother,1,2,0,no,yes,yes,no,yes,yes,yes,yes,4,4,2,1,1,3,0,14,14,14
+GP,M,16,U,GT3,T,3,4,other,other,course,father,3,1,2,no,yes,no,yes,no,yes,yes,no,3,4,5,2,4,2,0,6,5,0
+GP,M,16,U,GT3,T,1,0,other,other,reputation,mother,2,2,0,no,yes,yes,yes,yes,yes,yes,yes,4,3,2,1,1,3,2,13,15,16
+GP,M,17,U,LE3,T,4,4,teacher,other,reputation,mother,1,2,0,no,yes,yes,yes,yes,yes,yes,no,4,4,4,1,3,5,0,13,11,10
+GP,F,16,U,GT3,T,1,3,at_home,services,home,mother,1,2,3,no,no,no,yes,no,yes,yes,yes,4,3,5,1,1,3,0,8,7,0
+GP,F,16,U,LE3,T,3,3,other,other,reputation,mother,2,2,0,no,yes,yes,yes,yes,yes,yes,no,4,4,5,1,1,4,4,10,11,9
+GP,M,17,U,LE3,T,4,3,teacher,other,course,mother,2,2,0,no,no,yes,yes,yes,yes,yes,no,4,4,4,4,4,4,4,10,9,9
+GP,F,16,U,GT3,T,2,2,services,other,reputation,mother,2,2,0,no,no,yes,yes,no,yes,yes,no,3,4,4,1,4,5,2,13,13,11
+GP,M,17,U,GT3,T,3,3,other,other,reputation,father,1,2,0,no,no,no,yes,no,yes,yes,no,4,3,4,1,4,4,4,6,5,6
+GP,M,16,R,GT3,T,4,2,teacher,services,other,mother,1,1,0,no,yes,no,yes,yes,yes,yes,yes,4,3,3,3,4,3,10,10,8,9
+GP,M,17,U,GT3,T,4,3,other,other,course,mother,1,2,0,no,yes,no,yes,yes,yes,yes,yes,5,2,3,1,1,2,4,10,10,11
+GP,M,16,U,GT3,T,4,3,teacher,other,home,mother,1,2,0,no,yes,yes,yes,yes,yes,yes,no,3,4,3,2,3,3,10,9,8,8
+GP,M,16,U,GT3,T,3,3,services,other,home,mother,1,2,0,no,no,yes,yes,yes,yes,yes,yes,4,2,3,1,2,3,2,12,13,12
+GP,F,17,U,GT3,T,2,4,services,services,reputation,father,1,2,0,no,yes,no,yes,yes,yes,no,no,5,4,2,2,3,5,0,16,17,17
+GP,F,17,U,LE3,T,3,3,other,other,reputation,mother,1,2,0,no,yes,no,yes,yes,yes,yes,yes,5,3,3,2,3,1,56,9,9,8
+GP,F,16,U,GT3,T,3,2,other,other,reputation,mother,1,2,0,no,yes,yes,no,yes,yes,yes,no,1,2,2,1,2,1,14,12,13,12
+GP,M,17,U,GT3,T,3,3,services,services,other,mother,1,2,0,no,yes,no,yes,yes,yes,yes,yes,4,3,4,2,3,4,12,12,12,11
+GP,M,16,U,GT3,T,1,2,services,services,other,mother,1,1,0,no,yes,yes,yes,yes,yes,yes,yes,3,3,3,1,2,3,2,11,12,11
+GP,M,16,U,LE3,T,2,1,other,other,course,mother,1,2,0,no,no,yes,yes,yes,yes,yes,yes,4,2,3,1,2,5,0,15,15,15
+GP,F,17,U,GT3,A,3,3,health,other,reputation,mother,1,2,0,no,yes,no,no,no,yes,yes,yes,3,3,3,1,3,3,6,8,7,9
+GP,M,17,R,GT3,T,1,2,at_home,other,home,mother,1,2,0,no,no,no,no,yes,yes,no,no,3,1,3,1,5,3,4,8,9,10
+GP,F,16,U,GT3,T,2,3,services,services,course,mother,1,2,0,no,no,no,no,yes,yes,yes,no,4,3,3,1,1,2,10,11,12,13
+GP,F,17,U,GT3,T,1,1,at_home,services,course,mother,1,2,0,no,no,no,yes,yes,yes,yes,no,5,3,3,1,1,3,0,8,8,9
+GP,M,17,U,GT3,T,1,2,at_home,services,other,other,2,2,0,no,no,yes,yes,no,yes,yes,no,4,4,4,4,5,5,12,7,8,8
+GP,M,16,R,GT3,T,3,3,services,services,reputation,mother,1,1,0,no,yes,no,yes,yes,yes,yes,no,4,3,2,3,4,5,8,8,9,10
+GP,M,16,U,GT3,T,2,3,other,other,home,father,2,1,0,no,no,no,no,yes,yes,yes,no,5,3,3,1,1,3,0,13,14,14
+GP,F,17,U,LE3,T,2,4,services,services,course,father,1,2,0,no,no,no,yes,yes,yes,yes,yes,4,3,2,1,1,5,0,14,15,15
+GP,M,17,U,GT3,T,4,4,services,teacher,home,mother,1,1,0,no,no,no,no,yes,yes,yes,no,5,2,3,1,2,5,4,17,15,16
+GP,M,16,R,LE3,T,3,3,teacher,other,home,father,3,1,0,no,yes,yes,yes,yes,yes,yes,no,3,3,4,3,5,3,8,9,9,10
+GP,F,17,U,GT3,T,4,4,services,teacher,home,mother,2,1,1,no,yes,no,no,yes,yes,yes,no,4,2,4,2,3,2,24,18,18,18
+GP,F,16,U,LE3,T,4,4,teacher,teacher,reputation,mother,1,2,0,no,yes,yes,no,yes,yes,yes,no,4,5,2,1,2,3,0,9,9,10
+GP,F,16,U,GT3,T,4,3,health,other,home,mother,1,2,0,no,yes,no,yes,yes,yes,yes,no,4,3,5,1,5,2,2,16,16,16
+GP,F,16,U,GT3,T,2,3,other,other,reputation,mother,1,2,0,yes,yes,yes,yes,yes,yes,no,no,4,4,3,1,3,4,6,8,10,10
+GP,F,17,U,GT3,T,1,1,other,other,course,mother,1,2,0,no,yes,yes,no,no,yes,no,no,4,4,4,1,3,1,4,9,9,10
+GP,F,17,R,GT3,T,2,2,other,other,reputation,mother,1,1,0,no,yes,no,no,yes,yes,yes,no,5,3,2,1,2,3,18,7,6,6
+GP,F,16,R,GT3,T,2,2,services,services,reputation,mother,2,4,0,no,yes,yes,yes,no,yes,yes,no,5,3,5,1,1,5,6,10,10,11
+GP,F,17,U,GT3,T,3,4,at_home,services,home,mother,1,3,1,no,yes,yes,no,yes,yes,yes,yes,4,4,3,3,4,5,28,10,9,9
+GP,F,16,U,GT3,A,3,1,services,other,course,mother,1,2,3,no,yes,yes,no,yes,yes,yes,no,2,3,3,2,2,4,5,7,7,7
+GP,F,16,U,GT3,T,4,3,teacher,other,other,mother,1,2,0,no,no,yes,yes,yes,yes,yes,yes,1,3,2,1,1,1,10,11,12,13
+GP,F,16,U,GT3,T,1,1,at_home,other,home,mother,2,1,0,no,yes,yes,no,yes,yes,no,no,4,3,2,1,4,5,6,9,9,10
+GP,F,17,R,GT3,T,4,3,teacher,other,reputation,mother,2,3,0,no,yes,yes,yes,yes,yes,yes,yes,4,4,2,1,1,4,6,7,7,7
+GP,F,19,U,GT3,T,3,3,other,other,reputation,other,1,4,0,no,yes,yes,yes,yes,yes,yes,no,4,3,3,1,2,3,10,8,8,8
+GP,M,17,U,LE3,T,4,4,services,other,home,mother,1,2,0,no,yes,yes,no,yes,yes,yes,yes,5,3,5,4,5,3,13,12,12,13
+GP,F,16,U,GT3,A,2,2,other,other,reputation,mother,1,2,0,yes,yes,yes,no,yes,yes,yes,no,3,3,4,1,1,4,0,12,13,14
+GP,M,18,U,GT3,T,2,2,services,other,home,mother,1,2,1,no,yes,yes,yes,yes,yes,yes,no,4,4,4,2,4,5,15,6,7,8
+GP,F,17,R,LE3,T,4,4,services,other,other,mother,1,1,0,no,yes,yes,no,yes,yes,no,no,5,2,1,1,2,3,12,8,10,10
+GP,F,17,U,LE3,T,3,2,other,other,reputation,mother,2,2,0,no,no,yes,no,yes,yes,yes,no,4,4,4,1,3,1,2,14,15,15
+GP,F,17,U,GT3,T,4,3,other,other,reputation,mother,1,2,2,no,no,yes,no,yes,yes,yes,yes,3,4,5,2,4,1,22,6,6,4
+GP,M,18,U,LE3,T,3,3,services,health,home,father,1,2,1,no,yes,yes,no,yes,yes,yes,no,3,2,4,2,4,4,13,6,6,8
+GP,F,17,U,GT3,T,2,3,at_home,other,home,father,2,1,0,no,yes,yes,no,yes,yes,no,no,3,3,3,1,4,3,3,7,7,8
+GP,F,17,U,GT3,T,2,2,at_home,at_home,course,mother,1,3,0,no,yes,yes,yes,yes,yes,yes,no,4,3,3,1,1,4,4,9,10,10
+GP,F,17,R,GT3,T,2,1,at_home,services,reputation,mother,2,2,0,no,yes,no,yes,yes,yes,yes,no,4,2,5,1,2,5,2,6,6,6
+GP,F,17,U,GT3,T,1,1,at_home,other,reputation,mother,1,3,1,no,yes,no,yes,yes,yes,no,yes,4,3,4,1,1,5,0,6,5,0
+GP,F,16,U,GT3,T,2,3,services,teacher,other,mother,1,2,0,yes,no,no,no,yes,yes,yes,no,2,3,1,1,1,3,2,16,16,17
+GP,M,18,U,GT3,T,2,2,other,other,home,mother,2,2,0,no,yes,yes,no,yes,yes,yes,no,3,3,3,5,5,4,0,12,13,13
+GP,F,16,U,GT3,T,4,4,teacher,services,home,mother,1,3,0,no,yes,no,yes,no,yes,yes,no,5,3,2,1,1,5,0,13,13,14
+GP,F,18,R,GT3,T,3,1,other,other,reputation,mother,1,2,1,no,no,no,yes,yes,yes,yes,yes,5,3,3,1,1,4,16,9,8,7
+GP,F,17,U,GT3,T,3,2,other,other,course,mother,1,2,0,no,no,no,yes,no,yes,yes,no,5,3,4,1,3,3,10,16,15,15
+GP,M,17,U,LE3,T,2,3,services,services,reputation,father,1,2,0,no,yes,yes,no,no,yes,yes,no,5,3,3,1,3,3,2,12,11,12
+GP,M,18,U,LE3,T,2,1,at_home,other,course,mother,4,2,0,yes,yes,yes,yes,yes,yes,yes,yes,4,3,2,4,5,3,14,10,8,9
+GP,F,17,U,GT3,A,2,1,other,other,course,mother,2,3,0,no,no,no,yes,yes,yes,yes,yes,3,2,3,1,2,3,10,12,10,12
+GP,F,17,U,LE3,T,4,3,health,other,reputation,father,1,2,0,no,no,no,yes,yes,yes,yes,yes,3,2,3,1,2,3,14,13,13,14
+GP,M,17,R,GT3,T,2,2,other,other,course,father,2,2,0,no,yes,yes,yes,yes,yes,yes,no,4,5,2,1,1,1,4,11,11,11
+GP,M,17,U,GT3,T,4,4,teacher,teacher,reputation,mother,1,2,0,yes,yes,no,yes,yes,yes,yes,yes,4,5,5,1,3,2,14,11,9,9
+GP,M,16,U,GT3,T,4,4,health,other,reputation,father,1,2,0,no,yes,yes,yes,yes,yes,yes,no,4,2,4,2,4,1,2,14,13,13
+GP,M,16,U,LE3,T,1,1,other,other,home,mother,2,2,0,no,yes,yes,no,yes,yes,yes,no,3,4,2,1,1,5,18,9,7,6
+GP,M,16,U,GT3,T,3,2,at_home,other,reputation,mother,2,3,0,no,no,no,yes,yes,yes,yes,yes,5,3,3,1,3,2,10,11,9,10
+GP,M,17,U,LE3,T,2,2,other,other,home,father,1,2,0,no,no,yes,yes,no,yes,yes,yes,4,4,2,5,5,4,4,14,13,13
+GP,F,16,U,GT3,T,2,1,other,other,home,mother,1,1,0,no,no,no,no,yes,yes,yes,yes,4,5,2,1,1,5,20,13,12,12
+GP,F,17,R,GT3,T,2,1,at_home,services,course,mother,3,2,0,no,no,no,yes,yes,yes,no,no,2,1,1,1,1,3,2,13,11,11
+GP,M,18,U,GT3,T,2,2,other,services,reputation,father,1,2,1,no,no,no,no,yes,no,yes,no,5,5,4,3,5,2,0,7,7,0
+GP,M,17,U,LE3,T,4,3,health,other,course,mother,2,2,0,no,no,no,yes,yes,yes,yes,yes,2,5,5,1,4,5,14,12,12,12
+GP,M,17,R,LE3,A,4,4,teacher,other,course,mother,2,2,0,no,yes,yes,no,yes,yes,yes,no,3,3,3,2,3,4,2,10,11,12
+GP,M,16,U,LE3,T,4,3,teacher,other,course,mother,1,1,0,no,no,no,yes,no,yes,yes,no,5,4,5,1,1,3,0,6,0,0
+GP,M,16,U,GT3,T,4,4,services,services,course,mother,1,1,0,no,no,no,yes,yes,yes,yes,no,5,3,2,1,2,5,0,13,12,12
+GP,F,18,U,GT3,T,2,1,other,other,course,other,2,3,0,no,yes,yes,no,no,yes,yes,yes,4,4,4,1,1,3,0,7,0,0
+GP,M,16,U,GT3,T,2,1,other,other,course,mother,3,1,0,no,no,no,no,yes,yes,yes,no,4,3,3,1,1,4,6,18,18,18
+GP,M,17,U,GT3,T,2,3,other,other,course,father,2,1,0,no,no,no,no,yes,yes,yes,no,5,2,2,1,1,2,4,12,12,13
+GP,M,22,U,GT3,T,3,1,services,services,other,mother,1,1,3,no,no,no,no,no,no,yes,yes,5,4,5,5,5,1,16,6,8,8
+GP,M,18,R,LE3,T,3,3,other,services,course,mother,1,2,1,no,yes,no,no,yes,yes,yes,yes,4,3,3,1,3,5,8,3,5,5
+GP,M,16,U,GT3,T,0,2,other,other,other,mother,1,1,0,no,no,yes,no,no,yes,yes,no,4,3,2,2,4,5,0,13,15,15
+GP,M,18,U,GT3,T,3,2,services,other,course,mother,2,1,1,no,no,no,no,yes,no,yes,no,4,4,5,2,4,5,0,6,8,8
+GP,M,16,U,GT3,T,3,3,at_home,other,reputation,other,3,2,0,yes,yes,no,no,no,yes,yes,no,5,3,3,1,3,2,6,7,10,10
+GP,M,18,U,GT3,T,2,1,services,services,other,mother,1,1,1,no,no,no,no,no,no,yes,no,3,2,5,2,5,5,4,6,9,8
+GP,M,16,R,GT3,T,2,1,other,other,course,mother,2,1,0,no,no,no,yes,no,yes,no,no,3,3,2,1,3,3,0,8,9,8
+GP,M,17,R,GT3,T,2,1,other,other,course,mother,1,1,0,no,no,no,no,no,yes,yes,no,4,4,2,2,4,5,0,8,12,12
+GP,M,17,U,LE3,T,1,1,health,other,course,mother,2,1,1,no,yes,no,yes,yes,yes,yes,no,4,4,4,1,2,5,2,7,9,8
+GP,F,17,U,LE3,T,4,2,teacher,services,reputation,mother,1,4,0,no,yes,yes,yes,yes,yes,yes,no,4,2,3,1,1,4,6,14,12,13
+GP,M,19,U,LE3,A,4,3,services,at_home,reputation,mother,1,2,0,no,yes,no,no,yes,yes,yes,no,4,3,1,1,1,1,12,11,11,11
+GP,M,18,U,GT3,T,2,1,other,other,home,mother,1,2,0,no,no,no,yes,yes,yes,yes,no,5,2,4,1,2,4,8,15,14,14
+GP,F,17,U,LE3,T,2,2,services,services,course,father,1,4,0,no,no,yes,yes,yes,yes,yes,yes,3,4,1,1,1,2,0,10,9,0
+GP,F,18,U,GT3,T,4,3,services,other,home,father,1,2,0,no,yes,yes,no,yes,yes,yes,yes,3,1,2,1,3,2,21,17,18,18
+GP,M,18,U,GT3,T,4,3,teacher,other,course,mother,1,2,0,no,yes,yes,no,no,yes,yes,no,4,3,2,1,1,3,2,8,8,8
+GP,M,18,R,GT3,T,3,2,other,other,course,mother,1,3,0,no,no,no,yes,no,yes,no,no,5,3,2,1,1,3,1,13,12,12
+GP,F,17,U,GT3,T,3,3,other,other,home,mother,1,3,0,no,no,no,yes,no,yes,no,no,3,2,3,1,1,4,4,10,9,9
+GP,F,18,U,GT3,T,2,2,at_home,services,home,mother,1,3,0,no,yes,yes,yes,yes,yes,yes,yes,4,3,3,1,1,3,0,9,10,0
+GP,M,18,R,LE3,A,3,4,other,other,reputation,mother,2,2,0,no,yes,yes,yes,yes,yes,yes,no,4,2,5,3,4,1,13,17,17,17
+GP,M,17,U,GT3,T,3,1,services,other,other,mother,1,2,0,no,no,yes,yes,yes,yes,yes,yes,5,4,4,3,4,5,2,9,9,10
+GP,F,18,R,GT3,T,4,4,teacher,other,reputation,mother,2,2,0,no,no,yes,yes,yes,yes,yes,no,4,3,4,2,2,4,8,12,10,11
+GP,M,18,U,GT3,T,4,2,health,other,reputation,father,1,2,0,no,yes,yes,yes,yes,yes,yes,yes,5,4,5,1,3,5,10,10,9,10
+GP,F,18,R,GT3,T,2,1,other,other,reputation,mother,2,2,0,no,yes,no,no,yes,no,yes,yes,4,3,5,1,2,3,0,6,0,0
+GP,F,19,U,GT3,T,3,3,other,services,home,other,1,2,2,no,yes,yes,yes,yes,yes,yes,no,4,3,5,3,3,5,15,9,9,9
+GP,F,18,U,GT3,T,2,3,other,services,reputation,father,1,4,0,no,yes,yes,yes,yes,yes,yes,yes,4,5,5,1,3,2,4,15,14,14
+GP,F,18,U,LE3,T,1,1,other,other,home,mother,2,2,0,no,yes,yes,no,no,yes,no,no,4,4,3,1,1,3,2,11,11,11
+GP,M,17,R,GT3,T,1,2,at_home,at_home,home,mother,1,2,0,no,yes,yes,yes,no,yes,no,yes,3,5,2,2,2,1,2,15,14,14
+GP,F,17,U,GT3,T,2,4,at_home,health,reputation,mother,2,2,0,no,yes,yes,no,yes,yes,yes,yes,4,3,3,1,1,1,2,10,10,10
+GP,F,17,U,LE3,T,2,2,services,other,course,mother,2,2,0,yes,yes,yes,no,yes,yes,yes,yes,4,4,4,2,3,5,6,12,12,12
+GP,F,18,R,GT3,A,3,2,other,services,home,mother,2,2,0,no,no,no,no,no,no,yes,yes,4,1,1,1,1,5,75,10,9,9
+GP,M,18,U,GT3,T,4,4,teacher,services,home,mother,2,1,0,no,no,yes,yes,yes,yes,yes,no,3,2,4,1,4,3,22,9,9,9
+GP,F,18,U,GT3,T,4,4,health,health,reputation,father,1,2,1,yes,yes,no,yes,yes,yes,yes,yes,2,4,4,1,1,4,15,9,8,8
+GP,M,18,U,LE3,T,4,3,teacher,services,course,mother,2,1,0,no,no,yes,yes,yes,yes,yes,no,4,2,3,1,2,1,8,10,11,10
+GP,M,17,U,LE3,A,4,1,services,other,home,mother,2,1,0,no,no,yes,yes,yes,yes,yes,yes,4,5,4,2,4,5,30,8,8,8
+GP,M,17,U,LE3,A,3,2,teacher,services,home,mother,1,1,1,no,no,no,no,yes,yes,yes,no,4,4,4,3,4,3,19,11,9,10
+GP,F,18,R,LE3,T,1,1,at_home,other,reputation,mother,2,4,0,no,yes,yes,yes,yes,yes,no,no,5,2,2,1,1,3,1,12,12,12
+GP,F,18,U,GT3,T,1,1,other,other,home,mother,2,2,0,yes,no,no,yes,yes,yes,yes,no,5,4,4,1,1,4,4,8,9,10
+GP,F,17,U,GT3,T,2,2,other,other,course,mother,1,2,0,no,yes,no,no,no,yes,yes,no,5,4,5,1,2,5,4,10,9,11
+GP,M,17,U,GT3,T,1,1,other,other,reputation,father,1,2,0,no,no,yes,no,no,yes,yes,no,4,3,3,1,2,4,2,12,10,11
+GP,F,18,U,GT3,T,2,2,at_home,at_home,other,mother,1,3,0,no,yes,yes,no,yes,yes,yes,no,4,3,3,1,2,2,5,18,18,19
+GP,F,17,U,GT3,T,1,1,services,teacher,reputation,mother,1,3,0,no,yes,yes,no,yes,yes,yes,no,4,3,3,1,1,3,6,13,12,12
+GP,M,18,U,GT3,T,2,1,services,services,reputation,mother,1,3,0,no,no,yes,yes,yes,yes,yes,no,4,2,4,1,3,2,6,15,14,14
+GP,M,18,U,LE3,A,4,4,teacher,teacher,reputation,mother,1,2,0,no,yes,yes,yes,yes,yes,yes,no,5,4,3,1,1,2,9,15,13,15
+GP,M,18,U,GT3,T,4,2,teacher,other,home,mother,1,2,0,no,yes,yes,yes,yes,yes,yes,yes,4,3,2,1,4,5,11,12,11,11
+GP,F,17,U,GT3,T,4,3,health,services,reputation,mother,1,3,0,no,yes,yes,no,yes,yes,yes,no,4,2,2,1,2,3,0,15,15,15
+GP,F,18,U,LE3,T,2,1,services,at_home,reputation,mother,1,2,1,no,no,no,no,yes,yes,yes,yes,5,4,3,1,1,5,12,12,12,13
+GP,F,17,R,LE3,T,3,1,services,other,reputation,mother,2,4,0,no,yes,yes,no,yes,yes,no,no,3,1,2,1,1,3,6,18,18,18
+GP,M,18,R,LE3,T,3,2,services,other,reputation,mother,2,3,0,no,yes,yes,yes,yes,yes,yes,no,5,4,2,1,1,4,8,14,13,14
+GP,M,17,U,GT3,T,3,3,health,other,home,mother,1,1,0,no,yes,yes,no,yes,yes,yes,no,4,4,3,1,3,5,4,14,12,11
+GP,F,19,U,GT3,T,4,4,health,other,reputation,other,2,2,0,no,yes,yes,yes,yes,yes,yes,no,2,3,4,2,3,2,0,10,9,0
+GP,F,18,U,LE3,T,4,3,other,other,home,other,2,2,0,no,yes,yes,no,yes,yes,yes,yes,4,4,5,1,2,2,10,10,8,8
+GP,F,18,U,GT3,T,4,3,other,other,reputation,father,1,4,0,no,yes,yes,no,yes,yes,yes,no,4,3,3,1,1,3,0,14,13,14
+GP,M,18,U,LE3,T,4,4,teacher,teacher,home,mother,1,1,0,no,yes,yes,no,yes,yes,yes,yes,1,4,2,2,2,1,5,16,15,16
+GP,F,18,U,LE3,A,4,4,health,other,home,mother,1,2,0,no,yes,no,no,yes,yes,yes,yes,4,2,4,1,1,4,14,12,10,11
+GP,M,17,U,LE3,T,4,4,other,teacher,home,father,2,1,0,no,no,yes,no,yes,yes,yes,no,4,1,1,2,2,5,0,11,11,10
+GP,F,17,U,GT3,T,4,2,other,other,reputation,mother,2,3,0,no,yes,yes,no,yes,yes,yes,no,4,3,3,1,1,3,0,15,12,14
+GP,F,17,U,GT3,T,3,2,health,health,reputation,father,1,4,0,no,yes,yes,yes,no,yes,yes,no,5,2,2,1,2,5,0,17,17,18
+GP,M,19,U,GT3,T,3,3,other,other,home,other,1,2,1,no,yes,no,yes,yes,yes,yes,yes,4,4,4,1,1,3,20,15,14,13
+GP,F,18,U,GT3,T,2,4,services,at_home,reputation,other,1,2,1,no,yes,yes,yes,yes,yes,yes,no,4,4,3,1,1,3,8,14,12,12
+GP,M,20,U,GT3,A,3,2,services,other,course,other,1,1,0,no,no,no,yes,yes,yes,no,no,5,5,3,1,1,5,0,17,18,18
+GP,M,19,U,GT3,T,4,4,teacher,services,reputation,other,2,1,1,no,yes,yes,no,yes,yes,yes,yes,4,3,4,1,1,4,38,8,9,8
+GP,M,19,R,GT3,T,3,3,other,services,reputation,father,1,2,1,no,no,no,yes,yes,yes,no,yes,4,5,3,1,2,5,0,15,12,12
+GP,F,19,U,LE3,T,1,1,at_home,other,reputation,other,1,2,1,yes,yes,no,yes,no,yes,yes,no,4,4,3,1,3,3,18,12,10,10
+GP,F,19,U,LE3,T,1,2,services,services,home,other,1,2,1,no,no,no,yes,no,yes,no,yes,4,2,4,2,2,3,0,9,9,0
+GP,F,19,U,GT3,T,2,1,at_home,other,other,other,3,2,0,no,yes,no,no,yes,no,yes,yes,3,4,1,1,1,2,20,14,12,13
+GP,M,19,U,GT3,T,1,2,other,services,course,other,1,2,1,no,no,no,no,no,yes,yes,no,4,5,2,2,2,4,3,13,11,11
+GP,F,19,U,LE3,T,3,2,services,other,reputation,other,2,2,1,no,yes,yes,no,no,yes,yes,yes,4,2,2,1,2,1,22,13,10,11
+GP,F,19,U,GT3,T,1,1,at_home,health,home,other,1,3,2,no,no,no,no,no,yes,yes,yes,4,1,2,1,1,3,14,15,13,13
+GP,F,19,R,GT3,T,2,3,other,other,reputation,other,1,3,1,no,no,no,no,yes,yes,yes,yes,4,1,2,1,1,3,40,13,11,11
+GP,F,18,U,GT3,T,2,1,services,other,course,mother,2,2,0,no,yes,yes,yes,yes,yes,yes,no,5,3,3,1,2,1,0,8,8,0
+GP,F,18,U,GT3,T,4,3,other,other,course,mother,1,3,0,no,yes,yes,yes,yes,yes,yes,yes,4,3,4,1,1,5,9,9,10,9
+GP,F,17,R,GT3,T,3,4,at_home,services,course,father,1,3,0,no,yes,yes,yes,no,yes,yes,no,4,3,4,2,5,5,0,11,11,10
+GP,F,18,U,GT3,T,4,4,teacher,other,course,mother,1,2,0,no,yes,yes,no,yes,yes,yes,no,4,4,4,3,3,5,2,11,11,11
+GP,F,17,U,GT3,A,4,3,services,services,course,mother,1,2,0,no,yes,yes,no,yes,yes,yes,yes,5,2,2,1,2,5,23,13,13,13
+GP,F,17,U,GT3,T,2,2,other,other,course,mother,1,2,0,no,yes,no,no,yes,yes,no,yes,4,2,2,1,1,3,12,11,9,9
+GP,F,17,R,LE3,T,2,2,services,services,course,mother,1,3,0,no,yes,yes,yes,yes,yes,yes,no,3,3,2,2,2,3,3,11,11,11
+GP,F,17,U,GT3,T,3,1,services,services,course,father,1,3,0,no,yes,no,no,no,yes,yes,no,3,4,3,2,3,5,1,12,14,15
+GP,F,17,U,LE3,T,0,2,at_home,at_home,home,father,2,3,0,no,no,no,no,yes,yes,yes,no,3,3,3,2,3,2,0,16,15,15
+GP,M,18,U,GT3,T,4,4,other,other,course,mother,1,3,0,no,no,no,yes,yes,yes,yes,no,4,3,3,2,2,3,3,9,12,11
+GP,M,17,U,GT3,T,3,3,other,services,reputation,mother,1,1,0,no,no,no,yes,no,yes,yes,no,4,3,5,3,5,5,3,14,15,16
+GP,M,17,R,GT3,T,2,2,services,other,course,mother,4,1,0,no,yes,no,no,yes,yes,yes,no,4,4,5,5,5,4,8,11,10,10
+GP,F,17,U,GT3,T,4,4,teacher,services,course,mother,1,3,0,no,yes,yes,yes,yes,yes,yes,no,5,4,4,1,3,4,7,10,9,9
+GP,F,17,U,GT3,T,4,4,teacher,teacher,course,mother,2,3,0,no,yes,yes,no,no,yes,yes,yes,4,3,3,1,2,4,4,14,14,14
+GP,M,18,U,LE3,T,2,2,other,other,course,mother,1,4,0,no,yes,no,yes,yes,yes,yes,no,4,5,5,2,4,5,2,9,8,8
+GP,F,17,R,GT3,T,2,4,at_home,other,course,father,1,3,0,no,yes,no,no,yes,yes,yes,yes,4,4,3,1,1,5,7,12,14,14
+GP,F,18,U,GT3,T,3,3,services,services,home,mother,1,2,0,no,no,no,yes,yes,yes,yes,no,5,3,4,1,1,4,0,7,0,0
+GP,F,18,U,LE3,T,2,2,other,other,home,other,1,2,0,no,no,no,yes,no,yes,yes,yes,4,3,3,1,1,2,0,8,8,0
+GP,F,18,R,GT3,T,2,2,at_home,other,course,mother,2,4,0,no,no,no,yes,yes,yes,no,no,4,4,4,1,1,4,0,10,9,0
+GP,F,17,U,GT3,T,3,4,services,other,course,mother,1,3,0,no,no,no,no,yes,yes,yes,no,4,4,5,1,3,5,16,16,15,15
+GP,F,19,R,GT3,A,3,1,services,at_home,home,other,1,3,1,no,no,yes,no,yes,yes,no,no,5,4,3,1,2,5,12,14,13,13
+GP,F,17,U,GT3,T,3,2,other,other,home,mother,1,2,0,no,yes,yes,no,yes,yes,yes,yes,4,3,2,2,3,2,0,7,8,0
+GP,F,18,U,LE3,T,3,3,services,services,home,mother,1,4,0,no,yes,no,no,yes,yes,yes,no,5,3,3,1,1,1,7,16,15,17
+GP,F,17,R,GT3,A,3,2,other,other,home,mother,1,2,0,no,yes,yes,no,yes,yes,yes,no,4,3,3,2,3,2,4,9,10,10
+GP,F,19,U,GT3,T,2,1,services,services,home,other,1,3,1,no,no,yes,yes,yes,yes,yes,yes,4,3,4,1,3,3,4,11,12,11
+GP,M,18,U,GT3,T,4,4,teacher,services,home,father,1,2,1,no,yes,no,yes,yes,yes,yes,no,4,3,3,2,2,2,0,10,10,0
+GP,M,18,U,LE3,T,3,4,services,other,home,mother,1,2,0,no,no,no,yes,yes,yes,yes,yes,4,3,3,1,3,5,11,16,15,15
+GP,F,17,U,GT3,A,2,2,at_home,at_home,home,father,1,2,1,no,yes,no,no,yes,yes,yes,yes,3,3,1,1,2,4,0,9,8,0
+GP,F,18,U,GT3,T,2,3,at_home,other,course,mother,1,3,0,no,yes,no,no,yes,yes,yes,no,4,3,3,1,2,3,4,11,10,10
+GP,F,18,U,GT3,T,3,2,other,services,other,mother,1,3,0,no,no,no,no,yes,yes,yes,yes,5,4,3,2,3,1,7,13,13,14
+GP,M,18,R,GT3,T,4,3,teacher,services,course,mother,1,3,0,no,no,no,no,yes,yes,yes,yes,5,3,2,1,2,4,9,16,15,16
+GP,M,18,U,GT3,T,4,3,teacher,other,course,mother,1,3,0,no,yes,yes,no,yes,yes,yes,yes,5,4,5,2,3,5,0,10,10,9
+GP,F,17,U,GT3,T,4,3,health,other,reputation,mother,1,3,0,no,yes,yes,yes,yes,yes,yes,yes,4,4,3,1,3,4,0,13,15,15
+MS,M,18,R,GT3,T,3,2,other,other,course,mother,2,1,1,no,yes,no,no,no,yes,yes,no,2,5,5,5,5,5,10,11,13,13
+MS,M,19,R,GT3,T,1,1,other,services,home,other,3,2,3,no,no,no,no,yes,yes,yes,no,5,4,4,3,3,2,8,8,7,8
+MS,M,17,U,GT3,T,3,3,health,other,course,mother,2,2,0,no,yes,yes,no,yes,yes,yes,no,4,5,4,2,3,3,2,13,13,13
+MS,M,18,U,LE3,T,1,3,at_home,services,course,mother,1,1,1,no,no,no,no,yes,no,yes,yes,4,3,3,2,3,3,7,8,7,8
+MS,M,19,R,GT3,T,1,1,other,other,home,other,3,1,1,no,yes,no,no,yes,yes,yes,no,4,4,4,3,3,5,4,8,8,8
+MS,M,17,R,GT3,T,4,3,services,other,home,mother,2,2,0,no,yes,yes,yes,no,yes,yes,yes,4,5,5,1,3,2,4,13,11,11
+MS,F,18,U,GT3,T,3,3,services,services,course,father,1,2,0,no,yes,no,no,yes,yes,no,yes,5,3,4,1,1,5,0,10,9,9
+MS,F,17,R,GT3,T,4,4,teacher,services,other,father,2,2,0,no,yes,yes,yes,yes,yes,yes,no,4,3,3,1,2,5,4,12,13,13
+MS,F,17,U,LE3,A,3,2,services,other,reputation,mother,2,2,0,no,no,no,no,yes,yes,no,yes,1,2,3,1,2,5,2,12,12,11
+MS,M,18,U,LE3,T,1,1,other,services,home,father,2,1,0,no,no,no,no,no,yes,yes,yes,3,3,2,1,2,3,4,10,10,10
+MS,F,18,U,LE3,T,1,1,at_home,services,course,father,2,3,0,no,no,no,no,yes,yes,yes,no,5,3,2,1,1,4,0,18,16,16
+MS,F,18,R,LE3,A,1,4,at_home,other,course,mother,3,2,0,no,no,no,no,yes,yes,no,yes,4,3,4,1,4,5,0,13,13,13
+MS,M,18,R,LE3,T,1,1,at_home,other,other,mother,2,2,1,no,no,no,yes,no,no,no,no,4,4,3,2,3,5,2,13,12,12
+MS,F,18,U,GT3,T,3,3,services,services,other,mother,2,2,0,no,yes,no,no,yes,yes,yes,yes,4,3,2,1,3,3,0,11,11,10
+MS,F,17,U,LE3,T,4,4,at_home,at_home,course,mother,1,2,0,no,yes,yes,yes,yes,yes,yes,yes,2,3,4,1,1,1,0,16,15,15
+MS,F,17,R,GT3,T,1,2,other,services,course,father,2,2,0,no,no,no,no,no,yes,no,no,3,2,2,1,2,3,0,12,11,12
+MS,M,18,R,GT3,T,1,3,at_home,other,course,mother,2,2,0,no,yes,yes,no,yes,yes,no,no,3,3,4,2,4,3,4,10,10,10
+MS,M,18,U,LE3,T,4,4,teacher,services,other,mother,2,3,0,no,no,yes,no,yes,yes,yes,yes,4,2,2,2,2,5,0,13,13,13
+MS,F,17,R,GT3,T,1,1,other,services,reputation,mother,3,1,1,no,yes,yes,no,yes,yes,yes,yes,5,2,1,1,2,1,0,7,6,0
+MS,F,18,U,GT3,T,2,3,at_home,services,course,father,2,1,0,no,yes,yes,no,yes,yes,yes,yes,5,2,3,1,2,4,0,11,10,10
+MS,F,18,R,GT3,T,4,4,other,teacher,other,father,3,2,0,no,yes,yes,no,no,yes,yes,yes,3,2,2,4,2,5,10,14,12,11
+MS,F,19,U,LE3,T,3,2,services,services,home,other,2,2,2,no,no,no,yes,yes,yes,no,yes,3,2,2,1,1,3,4,7,7,9
+MS,M,18,R,LE3,T,1,2,at_home,services,other,father,3,1,0,no,yes,yes,yes,yes,no,yes,yes,4,3,3,2,3,3,3,14,12,12
+MS,F,17,U,GT3,T,2,2,other,at_home,home,mother,1,3,0,no,no,no,yes,yes,yes,no,yes,3,4,3,1,1,3,8,13,11,11
+MS,F,17,R,GT3,T,1,2,other,other,course,mother,1,1,0,no,no,no,yes,yes,yes,yes,no,3,5,5,1,3,1,14,6,5,5
+MS,F,18,R,LE3,T,4,4,other,other,reputation,mother,2,3,0,no,no,no,no,yes,yes,yes,no,5,4,4,1,1,1,0,19,18,19
+MS,F,18,R,GT3,T,1,1,other,other,home,mother,4,3,0,no,no,no,no,yes,yes,yes,no,4,3,2,1,2,4,2,8,8,10
+MS,F,20,U,GT3,T,4,2,health,other,course,other,2,3,2,no,yes,yes,no,no,yes,yes,yes,5,4,3,1,1,3,4,15,14,15
+MS,F,18,R,LE3,T,4,4,teacher,services,course,mother,1,2,0,no,no,yes,yes,yes,yes,yes,no,5,4,3,3,4,2,4,8,9,10
+MS,F,18,U,GT3,T,3,3,other,other,home,mother,1,2,0,no,no,yes,no,yes,yes,yes,yes,4,1,3,1,2,1,0,15,15,15
+MS,F,17,R,GT3,T,3,1,at_home,other,reputation,mother,1,2,0,no,yes,yes,yes,no,yes,yes,no,4,5,4,2,3,1,17,10,10,10
+MS,M,18,U,GT3,T,4,4,teacher,teacher,home,father,1,2,0,no,no,yes,yes,no,yes,yes,no,3,2,4,1,4,2,4,15,14,14
+MS,M,18,R,GT3,T,2,1,other,other,other,mother,2,1,0,no,no,no,yes,no,yes,yes,yes,4,4,3,1,3,5,5,7,6,7
+MS,M,17,U,GT3,T,2,3,other,services,home,father,2,2,0,no,no,no,yes,yes,yes,yes,no,4,4,3,1,1,3,2,11,11,10
+MS,M,19,R,GT3,T,1,1,other,services,other,mother,2,1,1,no,no,no,no,yes,yes,no,no,4,3,2,1,3,5,0,6,5,0
+MS,M,18,R,GT3,T,4,2,other,other,home,father,2,1,1,no,no,yes,no,yes,yes,no,no,5,4,3,4,3,3,14,6,5,5
+MS,F,18,R,GT3,T,2,2,at_home,other,other,mother,2,3,0,no,no,yes,no,yes,yes,no,no,5,3,3,1,3,4,2,10,9,10
+MS,F,18,R,GT3,T,4,4,teacher,at_home,reputation,mother,3,1,0,no,yes,yes,yes,yes,yes,yes,yes,4,4,3,2,2,5,7,6,5,6
+MS,F,19,R,GT3,T,2,3,services,other,course,mother,1,3,1,no,no,no,yes,no,yes,yes,no,5,4,2,1,2,5,0,7,5,0
+MS,F,18,U,LE3,T,3,1,teacher,services,course,mother,1,2,0,no,yes,yes,no,yes,yes,yes,no,4,3,4,1,1,1,0,7,9,8
+MS,F,18,U,GT3,T,1,1,other,other,course,mother,2,2,1,no,no,no,yes,yes,yes,no,no,1,1,1,1,1,5,0,6,5,0
+MS,M,20,U,LE3,A,2,2,services,services,course,other,1,2,2,no,yes,yes,no,yes,yes,no,no,5,5,4,4,5,4,11,9,9,9
+MS,M,17,U,LE3,T,3,1,services,services,course,mother,2,1,0,no,no,no,no,no,yes,yes,no,2,4,5,3,4,2,3,14,16,16
+MS,M,21,R,GT3,T,1,1,other,other,course,other,1,1,3,no,no,no,no,no,yes,no,no,5,5,3,3,3,3,3,10,8,7
+MS,M,18,R,LE3,T,3,2,services,other,course,mother,3,1,0,no,no,no,no,no,yes,yes,no,4,4,1,3,4,5,0,11,12,10
+MS,M,19,U,LE3,T,1,1,other,at_home,course,father,1,1,0,no,no,no,no,yes,yes,yes,no,3,2,3,3,3,5,5,8,9,9

kamyshov_danila_lab_6/templates/index.html

@@ -0,0 +1,45 @@
+<!DOCTYPE html>
+<html>
+<head>
+    <title>Предсказание оценки учащихся</title>
+</head>
+<body>
+    <h1>Предсказание оценки учащихся</h1>
+    <form method="post" action="/predict">
+        <label for="Pstatus">Статус сожительства родителей (A, T, T):</label>
+        <input type="text" name="Pstatus" id="Pstatus" required><br>
+
+        <label for="guardian">Опекун (mother, father, mother):</label>
+        <input type="text" name="guardian" id="guardian" required><br>
+
+        <label for="internet">Наличие интернета (no, yes, yes):</label>
+        <input type="text" name="internet" id="internet" required><br>
+
+        <label for="romantic">В романтических отношениях (no, no, no):</label>
+        <input type="text" name="romantic" id="romantic" required><br>
+
+        <label for="famrel">Отношения в семье (4, 5, 4):</label>
+        <input type="number" name="famrel" id="famrel" required><br>
+
+        <label for="freetime">Свободное время после школы (3, 3, 3):</label>
+        <input type="number" name="freetime" id="freetime" required><br>
+
+        <label for="goout">Время с друзьями (4, 3, 2):</label>
+        <input type="number" name="goout" id="goout" required><br>
+
+        <label for="Dalc">Потребление алкоголя в рабочие дни (1, 1, 2):</label>
+        <input type="number" name="Dalc" id="Dalc" required><br>
+
+        <label for="Walc">Потребление алкоголя в выходные (1, 1, 3):</label>
+        <input type="number" name="Walc" id="Walc" required><br>
+
+        <label for="health">Состояние здоровья (3, 3, 3):</label>
+        <input type="number" name="health" id="health" required><br>
+
+        <label for="absences">Пропуски занятий (6, 4, 10):</label>
+        <input type="number" name="absences" id="absences" required><br>
+
+        <input type="submit" value="Предсказать оценку">
+    </form>
+</body>
+</html>

kochkareva_elizaveta_lab_1/README.md

@@ -0,0 +1,111 @@
+
+# Лабораторная работа 1. Вариант 15
+
+### Задание
+Сгенерировать данные: 
+`
+make_classification (n_samples=500, n_features=2,
+n_redundant=0, n_informative=2, random_state=rs, n_clusters_per_class=1) 
+`
+
+Сравнить на нем 3 модели:
+- Линейную регрессию
+- Полиномиальную регрессию (со степенью 4)
+- Персептрон
+
+### Как запустить лабораторную работу
+Для запуска программы необходимо с помощью командной строки в корневой директории файлов прокета прописать:
+```
+python main.py
+```
+### Какие технологии использовали
+- Библиотека *numpy* для работы с массивами.
+- Библиотека *matplotlib pyplot* - для визуализации данных.
+- Библиотека *sklearn*:
+    - *make_classification* для создания синтетических наборов данных.
+    - *LinearRegression* для создания и работы с моделью Линейной регрессии.
+    - *Perceptron* для создания и работы с Персептроном
+    - *accuracy_score* для использования функции, используемая для вычисления точности классификации.
+    - *train_test_split*  для разделения набора данных на обучающую и тестовую выборки.
+    - *PolynomialFeatures* для создания преобразователя, который генерирует полиномиальные признаки из исходных признаков
+
+### Описание лабораторной работы
+#### Генерация данных
+Программа создает синтетический набор данных, где переменная `X` будет содержать матрицу признаков размером `(n_samples, n_features)`, а переменная `y` будет содержать вектор целевых переменных размером `(n_samples,)`.
+```
+X, y = make_classification(n_samples=500, n_features=2, n_redundant=0,
+                           n_informative=2, random_state=None,
+                           n_clusters_per_class=1)
+```
+Добавляет шум к данным путем увеличения значений матрицы признаков `X` на случайные значения из равномерного распределения, умноженные на 2. Затем создает переменную, которая содержит кортеж из матрицы признаков `X` и вектора целевых переменных `y`. И разделяет данные на обучающий набор `(X_train, y_train)` и тестовый набор `(X_test, y_test)` с помощью функции `train_test_split`. Обучающий набор составляет 60% от исходных данных, а 40% от исходных данных используются для тестирования модели  `(test_size=.4)`.
+```python
+rng = np.random.RandomState(2)
+X += 2 * rng.uniform(size=X.shape)
+linearly_dataset = (X, y)
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.4, random_state=42)
+```
+#### Работа с моделью линейной регрессии
+Создаем экземпляр модели линейной регрессии с помощью класса `LinearRegression()`, которая будет использоваться для построения линейной регрессии. Обучаем модель на обучающем наборе данных `X_train` и `y_train` с помощью метода `fit()`. Затем используем обученную модель для прогнозирования целевых переменных на тестовом наборе данных `X_test` с помощью метода `predict()`. Полученные прогнозы сохраняются в переменную `y_pred`. И вычисляем коэффициент детерминации (R-квадрат) для для оценки качества модели регрессии на тестовом наборе данных с помощью метода `score()`.
+```python
+# Модель линейной регрессии
+model = LinearRegression()
+# Обучение на тренировочных данных
+model.fit(X_train, y_train)
+# Выполнение прогноза
+y_pred = model.predict(X_test)
+# Вычисление коэффициента детерминации
+r_sq = model.score(X_test, y_test)
+```
+Выполним построение графика:
+
+
+![График линейной регрессии](LinearRegressionChart.png)
+
+#### Работа с моделью полиномиальной регрессии (со степенью 4)
+Создаем экземпляр класса `PolynomialFeatures` для генерации полиномиальных признаков со степень полинома 4 и параметр `include_bias=False`, чтобы исключить добавление дополнительного столбца с единицами (смещения). Преобразуем обучающий набор данных `X_train` и тестовый набор данных `X_test`  в полиномиальные признаки с помощью метода `fit_transform()` и сохраняем в переменные `X_poly_train` и `X_poly_test` соотвественно. Создаем экземпляр модели линейной регрессии с помощью класса `LinearRegression()`. Обучаем модель линейной регрессии на обучающем наборе данных `X_poly_train` и `y_train` с помощью метода `fit()`. Используем обученную модель для прогнозирования целевых переменных на тестовом наборе данных `X_poly_test` с помощью метода `predict()`. И вычисляем коэффициент детерминации (R-квадрат) для модели на тестовом наборе данных с помощью метода `score()`.
+```python
+pf = PolynomialFeatures(degree=4, include_bias=False)
+# Преобразование исходного набора данных X_train в полиномиальные признаки
+X_poly_train = pf.fit_transform(X_train)
+# Преобразование исходного набора данных X_test в полиномиальные признаки
+X_poly_test = pf.fit_transform(X_test)
+# Модель линейной регрессии
+model = LinearRegression()
+# Обучение модели линейной регрессии на преобразованных полиномиальных признаках
+model.fit(X_poly_train, y_train)
+# Выполнение прогноза
+y_pred = model.predict(X_poly_test)
+# Вычисление коэффициента детерминации
+r_sq = model.score(X_poly_test, y_test)
+```
+Выполним построение графика:
+
+
+![График полиномиальной регрессии](PolynomialRegressionChart.png)
+
+#### Работа с персептроном
+Создаем экземпляр модели персептрона `model = Perceptron()` и  обучаем модель на тренировочных данных с помощью метода `fit()`. После обучения модели персептрона, выполняем прогноз на тестовых данных с помощью метода `predict()`. Для оценки точности работы персептрона используем функцию `accuracy_score`, которая сравнивает предсказанные классы `y_pred` с истинными классами `y_test` и возвращает долю правильно классифицированных примеров.
+```python
+# Модель персептрона
+model = Perceptron()
+# Обучение на тренировочных данных
+model.fit(X_train, y_train)
+# Выполнение прогноза
+y_pred = model.predict(X_test)
+# Вычисление точности работы персептрона
+accuracy = accuracy_score(y_test, y_pred)
+```
+Выполним построение графика:
+
+
+![График персептрона](PerceptronChart.png)
+
+### Вывод
+
+Исходя из построенных графиков можно сделать следующий вывод:
+
+1. Коэффициент детерминации для полиномиальной регрессии (0,56) выше, чем для линейной регрессии (0,52). Это означает, что полиномиальная модель лучше объясняет изменчивость в данных, чем линейная модель. Однако значение 0.56 указывает на некоторую связь между предсказываемой переменной и независимыми переменными, но остается возможность для дальнейшего улучшения модели.
+
+2. Доля правильно классифицированных примеров персептроном (0,845) также высокая. Это говорит о том, что персептрон успешно выполнил задачу классификации и хорошо разделил примеры на правильные классы.
+
+В целом, можно сделать вывод, что и полиномиальная регрессия и персептрон проявляют лучшую производительность и демонстрируют лучшие результаты в анализе сгенерированных нами данных, чем линейная регрессия.

kochkareva_elizaveta_lab_1/main.py

@@ -0,0 +1,102 @@
+import os.path
+import numpy as np
+from matplotlib import pyplot as plt
+from sklearn.datasets import make_classification
+from sklearn.linear_model import LinearRegression, Perceptron
+from sklearn.metrics import accuracy_score
+from sklearn.model_selection import train_test_split
+from sklearn.preprocessing import PolynomialFeatures
+
+picfld = os.path.join('static', 'charts')
+
+X, y = make_classification(n_samples=500, n_features=2, n_redundant=0,
+                           n_informative=2, random_state=None,
+                           n_clusters_per_class=1)
+# sklearn.datasets.samples_generator.make_classification - используется для создания случайных задач классификации N.
+# n_samples - Количество случайных чисел
+# n_features - количество признаков (измерений) для каждого числа.
+# n_informative - Количество информативных характеристик
+# n_redundant -количество избыточных признаков, которые не вносят дополнительной информации.
+# random_state - опциональный параметр для установки начального состояния генератора случайных чисел.
+# n_clusters_per_class - Количество кластера в каждой категории
+# Функция возвращает два значения:
+# X: массив размера [n_samples, n_features], содержащий сгенерированные признаки.
+# y: массив размера [n_samples], содержащий сгенерированные целевые переменные (классы).
+
+rng = np.random.RandomState(2)
+# добавление шума к данным
+X += 2 * rng.uniform(size=X.shape)
+linearly_dataset = (X, y)
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.4, random_state=42)
+
+# Модель: линейная регрессия
+def linear_regression():
+    # Модель линейной регрессии
+    model = LinearRegression()
+    # Обучение на тренировочных данных
+    model.fit(X_train, y_train)
+    # Выполнение прогноза
+    y_pred = model.predict(X_test)
+    # Вычисление коэффициента детерминации
+    r_sq = model.score(X_test, y_test)
+    # Создание графика
+    plt.plot(y_test, c="#bd0000", label="\"y\" исходная")
+    plt.plot(y_pred, c="#00BFFF", label="\"y\" предсказанная \n" "Кд = " + str(r_sq))
+    plt.title("Линейная регрессия")
+    plt.legend(loc='lower left')
+    plt.savefig('static/charts/LinearRegressionChart.png')
+    plt.close()
+
+
+# Модель: полиномиальная регрессия (со степенью 4)
+def polynomial_regression():
+    # Генерирование объекта полинома,
+    # где degree - степень полинома,
+    # include_bias - установка вектора смещения в полиномиальные признаки
+    pf = PolynomialFeatures(degree=4, include_bias=False)
+    # Преобразование исходного набора данных X_train в полиномиальные признаки
+    X_poly_train = pf.fit_transform(X_train)
+    # Преобразование исходного набора данных X_test в полиномиальные признаки
+    X_poly_test = pf.fit_transform(X_test)
+    # Модель линейной регрессии
+    model = LinearRegression()
+    # Обучение модели линейной регрессии на преобразованных полиномиальных признаках
+    model.fit(X_poly_train, y_train)
+    # Выполнение прогноза
+    y_pred = model.predict(X_poly_test)
+    # Вычисление коэффициента детерминации
+    r_sq = model.score(X_poly_test, y_test)
+    # Создание графика
+    plt.plot(y_test, c="#bd0000", label="\"y\" исходная")
+    plt.plot(y_pred, c="#00BFFF",
+             label="\"y\" предсказанная \n" "Кд = " + str(r_sq))
+    plt.legend(loc='lower left')
+    plt.title("Полиномиальная регрессия")
+    plt.savefig('static/charts/PolynomialRegressionChart.png')
+    plt.close()
+
+
+# Модель: персептрон
+def perceptron():
+    # Модель персептрона
+    model = Perceptron()
+    # Обучение на тренировочных данных
+    model.fit(X_train, y_train)
+    # Выполнение прогноза
+    y_pred = model.predict(X_test)
+    # Вычисление точности работы персептрона
+    accuracy = accuracy_score(y_test, y_pred)
+    # Создание графика
+    plt.plot(y_test, c="#bd0000", label="\"y\" исходная")
+    plt.plot(y_pred, c="#00BFFF",
+             label="\"y\" предсказанная \n" "Точность = " + str(accuracy))
+    plt.legend(loc='lower left')
+    plt.title("Персептрон")
+    plt.savefig('static/charts/PerceptronChart.png')
+    plt.close()
+
+
+if __name__ == '__main__':
+    linear_regression()
+    polynomial_regression()
+    perceptron()

kochkareva_elizaveta_lab_2/README.md

@@ -0,0 +1,136 @@
+
+# Лабораторная работа 2. Вариант 15
+
+### Задание
+Выполнить ранжирование признаков с помощью указанных по
+варианту моделей. Отобразить получившиеся значения\оценки каждого
+признака каждым методом\моделью и среднюю оценку.
+
+3 модели:
+- Случайное Лассо (RandomizedLasso)
+- Рекурсивное сокращение признаков (Recursive Feature Elimination – RFE)
+- Линейная корреляция (f_regression)
+
+### Как запустить лабораторную работу
+Для запуска программы необходимо с помощью командной строки в корневой директории файлов прокета прописать:
+```
+python main.py
+```
+
+### Какие технологии использовали
+- Библиотека *numpy* для работы с массивами.
+- Библиотека *itemgetter* для использования функции для выбора элементов из коллекции.
+- Библиотека *sklearn*:
+    - *LinearRegression* для создания и работы с моделью Линейной регрессии.
+    - *Ridge* для создания и работы с моделью линейной регрессии с регуляризацией
+    - *MinMaxScaler* - для нормализации данных путем масштабирования значений признаков в диапазоне от 0 до 1.
+    - *RFE, f_regression* - RFE используется для рекурсивного отбора признаков, а f_regression - для вычисления корреляции между каждым признаком и целевой переменной.
+
+
+### Описание лабораторной работы
+#### Генерация данных
+Создаем массив `X` размером (750, 14), где каждый элемент выбирается случайным образом из равномерного распределения на интервале от 0 до 1. Затем вычисляем массив `Y`, используя формулу, отрадающую зависимость значения `Y` от значений в массиве `X` и состоящую из случайного шума.
+Изменяем значения последних четырех столбцов массива `X`. Значения этих столбцов становятся суммой первых четырех столбцов и случайного шума. Создаем список names, который содержит названия признаков, и пустой словарь ranks, который будет использоваться для хранения значений важности признаков.
+
+```python
+np.random.seed(0)
+size = 750
+X = np.random.uniform(0, 1, (size, 14))
+# Задаем функцию-выход: регрессионную проблему Фридмана
+Y = (10 * np.sin(np.pi*X[:, 0]*X[:, 1]) + 20*(X[:, 2] - .5)**2 + 10*X[:, 3] + 5*X[:, 4]**5 + np.random.normal(0, 1))
+# Добавляем зависимость признаков
+X[:, 10:] = X[:, :4] + np.random.normal(0, .025, (size, 4))
+names = ["x%s" % i for i in range(1, 15)]  # - список признаков вида ['x1', 'x2', 'x3', ..., 'x14']
+ranks = dict()
+```
+#### Обработка результатов
+ Создаем функцию `rank_to_dict`, которая принимает два аргумента: `ranks` (оценки важности признаков) и `names` (названия признаков). В данной функции создается словарь, используя `zip` для объединения названий признаков и округленных оценок важности признаков. Названия признаков становятся ключами словаря, а округленные оценки - значениями. 
+
+```python
+def rank_to_dict(ranks, names):
+     # получение абсолютных значений оценок(модуля)
+     ranks = np.abs(ranks)
+     minmax = MinMaxScaler()
+     # преобразование данных
+     ranks = minmax.fit_transform(np.array(ranks).reshape(14, 1)).ravel()
+     # округление элементов массива
+     ranks = map(lambda x: round(x, 2), ranks)
+     # преобразование данных
+     return dict(zip(names, ranks))
+```
+
+#### Модель Ridge
+
+Так как по заданию необходимо работать с устаревшей моделью случайное *Лассо (RandomizedLasso)*, воспользуемся *Ridge-регрессией (Ridge Regression)*.
+Создадим экземпляр модели *Ridge*, которая используется для выполнения регрессии с использованием линейной комбинации признаков, которая применяет регуляризацию L2 для уменьшения влияния мультиколлинеарности в данных.
+Обучаем модель *Ridge* с использованием метода `.fit(X, Y)`. Здесь `X` представляет собой матрицу признаков (независимые переменные), а `Y` - вектор целевой переменной (зависимая переменная). Модель обучается на этих данных, чтобы найти оптимальные значения коэффициентов регрессии. Далее отправляем полученные коэффициенты в метод `rank_to_dict` для обрезования данных в необходимый вид.
+
+```python
+ridge_model = Ridge()
+ridge_model.fit(X, Y)
+ranks['Ridge'] = rank_to_dict(ridge_model.coef_, names)
+```
+
+#### Модель рекурсивное сокращение признаков (Recursive Feature Elimination – RFE)
+Для работы с моделью рекурсивного сокрщения признаков создадим две функции: `recursive_feature_elimination()` и `rank_to_dict_rfe(ranking, names)`. 
+
+В функции `recursive_feature_elimination()` создаем экземпляр модели *LinearRegression* под именем `estimator`. Далее создаем экземпляр модели *RFE (Recursive Feature Elimination)* под именем `rfe_model`, передавая `estimator` в качестве аргумента конструктора. Обучаем `rfe_model` на данных `X` и `Y`. Затем добавляем ранги признаков, полученные от `rfe_model`, в словарь `ranks` под ключом *'Recursive Feature Elimination'*, используя функцию `rank_to_dict_rfe()`.
+
+```python
+def recursive_feature_elimination():
+    # создание модели LinearRegression
+    estimator = LinearRegression()
+    # создание модели RFE
+    rfe_model = RFE(estimator)
+    rfe_model.fit(X, Y)
+    ranks['Recursive Feature Elimination'] = rank_to_dict_rfe(rfe_model.ranking_, names)
+```
+В функции `rank_to_dict_rfe(ranking, names)` находит обратные значения рангов признаков, делим 1 на каждый ранг. Округляем элементы полученного массива до двух знаков после запятой, используя функцию `round()`. И возвращаем словарь, где имена признаков из `names` являются ключами, а значениями являются округленные обратные значения рангов.
+```python
+def rank_to_dict_rfe(ranking, names):
+    # нахождение обратных значений рангов
+    n_ranks = [float(1 / i) for i in ranking]
+    # округление элементов массива
+    n_ranks = map(lambda x: round(x, 2), n_ranks)
+    # преобразование данных
+    return dict(zip(names, n_ranks))
+```
+
+#### Линейная корреляция (f_regression)
+Для работы с линейной корреляцией выполним линейную корреляцию между признаками в матрице `X` и целевой переменной `Y`. Для этого используем функцию `f_regression()` для выполнения линейной регрессии между каждым признаком в матрице `X` и целевой переменной `Y`. После этого возвращается два массива: `correlation` содержит значения коэффициентов корреляции между признаками и `Y`, а `p_values` содержит соответствующие p-значения для каждого коэффициента корреляции. После чего создаем новую запись в словаре `ranks` с ключом *'linear correlation'*.
+
+```python
+correlation, p_values = f_regression(X, Y)
+ranks['linear correlation'] = rank_to_dict(correlation, names)
+```
+
+### Вывод
+
+Согласно условию задания значимыми параметрами были: *x1, x2, x3, x4, x5*. А зависимыми от них *x10, x11, x12, x13, x14*.
+
+После сортировки полученных результатов работы моделей, можем увидеть следующее:
+```
+Ridge
+[('x4', 1.0), ('x1', 0.98), ('x2', 0.8), ('x14', 0.61), ('x5', 0.54), ('x12', 0.39), ('x3', 0.25), ('x13', 0.19), ('x11', 0.16), ('x6', 0.08), ('x8', 0.07), ('x7', 0.02), ('x10', 0.02), ('x9', 0.0)]
+Recursive Feature Elimination
+[('x1', 1.0), ('x2', 1.0), ('x3', 1.0), ('x4', 1.0), ('x5', 1.0), ('x11', 1.0), ('x13', 1.0), ('x12', 0.5), ('x14', 0.33), ('x8', 0.25), ('x6', 0.2), ('x10', 0.17), ('x7', 0.14), ('x9', 0.12)]
+linear correlation
+[('x4', 1.0), ('x14', 0.98), ('x2', 0.45), ('x12', 0.44), ('x1', 0.3), ('x11', 0.29), ('x5', 0.04), ('x8', 0.02), ('x7', 0.01), ('x9', 0.01), ('x3', 0.0), ('x6', 0.0), ('x10', 0.0), ('x13', 0.0)]
+
+```
+Как можно заметить в модели *Ridge* параметры *x1, x2, x4, x5* имеют наибольшую значимость, что соответстует исходному условию задания, однако был потерян признак *x3*, значимость которого была показана низкой.
+
+Модель *Recursive Feature Elimination* правильно показала все наиболее значиме признаки *x1, x2, x3, x4, x5*.
+
+В модели линейной корреляции параметры *'x4'* и *'x14'* имеют наибольшую корреляцию, равную 1.0. Параметры *'x3', 'x6', 'x10' и 'x13'* имеют наименьшую корреляцию, равную 0.0. Таким образом, показав наихудний результат среди трех моделей.
+
+В среднем по работе трех моделей имеем следующий результат, где параметр *'x4'* имеет наибольшую значимость, равную 1.0, параметр *'x9'* имеет наименьшую значимость, равную 0.04.:
+
+```
+Mean
+[('x4', 1.0), ('x1', 0.76), ('x2', 0.75), ('x14', 0.64), ('x5', 0.53), ('x11', 0.48), ('x12', 0.44), ('x3', 0.42), ('x13', 0.4), ('x8', 0.11), ('x6', 0.09), ('x7', 0.06), ('x10', 0.06), ('x9', 0.04)]
+
+```
+
+
+Таким образом, можно сделать вывод о том, лучше всех справилась модель *Recursive Feature Elimination*, а также, что порядок значимости параметров может немного различаться в зависимости от модели.

kochkareva_elizaveta_lab_2/main.py

@@ -0,0 +1,88 @@
+from operator import itemgetter
+import numpy as np
+from sklearn.feature_selection import RFE, f_regression
+from sklearn.preprocessing import MinMaxScaler
+from sklearn.linear_model import Ridge
+from sklearn.linear_model import LinearRegression
+
+# генерируем исходные данные: 750 строк-наблюдений и 14 столбцов-признаков
+np.random.seed(0)
+size = 750
+X = np.random.uniform(0, 1, (size, 14))
+# Задаем функцию-выход: регрессионную проблему Фридмана
+Y = (10 * np.sin(np.pi*X[:, 0]*X[:, 1]) + 20*(X[:, 2] - .5)**2 + 10*X[:, 3] + 5*X[:, 4]**5 + np.random.normal(0, 1))
+# Добавляем зависимость признаков
+X[:, 10:] = X[:, :4] + np.random.normal(0, .025, (size, 4))
+names = ["x%s" % i for i in range(1, 15)]  # - список признаков вида ['x1', 'x2', 'x3', ..., 'x14']
+ranks = dict()
+
+
+def rank_to_dict(ranks, names):
+     # получение абсолютных значений оценок(модуля)
+     ranks = np.abs(ranks)
+     minmax = MinMaxScaler()
+     # преобразование данных
+     ranks = minmax.fit_transform(np.array(ranks).reshape(14, 1)).ravel()
+     # округление элементов массива
+     ranks = map(lambda x: round(x, 2), ranks)
+     # преобразование данных
+     return dict(zip(names, ranks))
+
+
+# Модель: случайное Лассо (RandomizedLasso) - устаревшее, поэтому используем Ridge-регрессия (Ridge Regression)
+def ridge_regressions():
+    # Создание экземпляра модели Ridge
+    ridge_model = Ridge()
+    ridge_model.fit(X, Y)
+    ranks['Ridge'] = rank_to_dict(ridge_model.coef_, names)
+
+
+# Модель: рекурсивное сокращение признаков (Recursive Feature Elimination – RFE)
+def recursive_feature_elimination():
+    # создание модели LinearRegression
+    estimator = LinearRegression()
+    # создание модели RFE
+    rfe_model = RFE(estimator)
+    rfe_model.fit(X, Y)
+    ranks['Recursive Feature Elimination'] = rank_to_dict_rfe(rfe_model.ranking_, names)
+
+
+def rank_to_dict_rfe(ranking, names):
+    # нахождение обратных значений рангов
+    n_ranks = [float(1 / i) for i in ranking]
+    # округление элементов массива
+    n_ranks = map(lambda x: round(x, 2), n_ranks)
+    # преобразование данных
+    return dict(zip(names, n_ranks))
+
+
+# Модель: линейная корреляция (f_regression)
+def linear_correlation():
+    # вычисление линейной корреляции между X и y
+    correlation, p_values = f_regression(X, Y)
+    ranks['linear correlation'] = rank_to_dict(correlation, names)
+
+
+if __name__ == '__main__':
+    ridge_regressions()
+    recursive_feature_elimination()
+    linear_correlation()
+
+    for key, value in ranks.items():  # Вывод нормализованных оценок важности признаков каждой модели
+        ranks[key] = sorted(value.items(), key=itemgetter(1), reverse=True)
+    for key, value in ranks.items():
+        print(key)
+        print(value)
+
+    mean = {}  # - нахождение средних значений оценок важности по 3м моделям
+    for key, value in ranks.items():
+        for item in value:
+            if item[0] not in mean:
+                mean[item[0]] = 0
+            mean[item[0]] += item[1]
+    for key, value in mean.items():
+        res = value / len(ranks)
+        mean[key] = round(res, 2)
+    mean = sorted(mean.items(), key=itemgetter(1), reverse=True)
+    print("Mean")
+    print(mean)

kochkareva_elizaveta_lab_3/README.md

@@ -0,0 +1,123 @@
+
+# Лабораторная работа 3. Вариант 15
+
+### Задание
+Выполнить ранжирование признаков и решить с помощью библиотечной реализации дерева решений задачу классификации на 99% данных из курсовой работы. Проверить работу модели на оставшемся проценте, сделать вывод.
+
+Модель:
+- дерево решений DecisionTreeClassifier.
+
+### Как запустить лабораторную работу
+Для запуска программы необходимо с помощью командной строки в корневой директории файлов прокета прописать:
+```
+python main.py
+```
+
+### Какие технологии использовали
+- Библиотека *numpy* для работы с массивами.
+- Библиотека *pandas* для для работы с данными и таблицами.
+- Библиотека *sklearn*:
+    - *train_test_split* - для разделения данных на обучающую и тестовую выборки.
+    - *MinMaxScaler* - для нормализации данных путем масштабирования значений признаков в диапазоне от 0 до 1.
+    - *DecisionTreeClassifier* - для использования алгоритма дерева решений для задачи классификации.
+
+### Описание лабораторной работы
+#### Описание набора данных
+В качестве набора данных был взят: *"Job Dataset"* - набор данных, содержащий объявления о вакансиях.
+Набор данных состоит из следующих столбцов:
+Descriptions for each of the columns in the dataset:
+- Job Id - Уникальный идентификатор для каждой публикации вакансии.
+- Experience - Требуемый или предпочтительный многолетний опыт работы на данной должности.
+- Qualifications - Уровень образования, необходимый для работы.
+- Salary Range - Диапазон окладов или компенсаций, предлагаемых за должность.
+- Location - Город или область, где находится работа.
+- Country - Страна, в которой находится работа.
+- Latitude -  Координата широты местоположения работы.
+- Longitude - Координата долготы местоположения работы.
+- Work Type - Тип занятости (например, полный рабочий день, неполный рабочий день, контракт).
+- Company Size - Приблизительный размер или масштаб компании, принимающей на работу.
+- Job Posting Date - Дата, когда публикация о вакансии была опубликована.
+- Preference - Особые предпочтения или требования к кандидатам (например, только мужчины или только женщины, или и то, и другое).
+- Contact Person - Имя контактного лица или рекрутера для работы.
+- Contact - Контактная информация для запросов о работе.
+- Job Title - Название должности
+- Role - Роль или категория работы (например, разработчик программного обеспечения, менеджер по маркетингу).
+- Job Portal - Платформа или веб-сайт, на котором была размещена вакансия.
+- Job Description - Подробное описание должностных обязанностей и требований.
+- Benefits - Информация о льготах, предоставляемых в связи с работой (например, медицинская страховка, пенсионные планы).
+- Skills - Навыки или квалификация, необходимые для работы.
+- Responsibilities - Конкретные обязанности, связанные с работой.
+- Company Name - Название компании, принимающей на работу.
+- Company Profile - Краткий обзор истории компании и миссии.
+
+Ссылка на страницу набора на kuggle: [Job Dataset](https://www.kaggle.com/datasets/ravindrasinghrana/job-description-dataset)
+
+#### Подготовка данных
+Для обеспечения качественного анализа данных и построения точных моделей машинного обучения, необходимо провести предварительную обработку данных. В данном проекте была выполнена следующая предобработка данных:
+- Были удалены незначищие столбцы: *"Job Id", "latitude", "longitude", "Contact Person", "Contact", "Job Description", "Responsibilities"*.
+```python
+df_job.drop(["Job Id", "latitude", "longitude", "Contact Person", "Contact", "Job Description", "Responsibilities"], axis=1,
+                inplace=True)
+```
+- Кодирование категориальных признаков, преобразованние их в уникальные числовые значения для каждого столбца, чтобы модель машинного обучения могла работать с ними, для столбцов: *'location', 'Country', 'Work Type','Preference', 'Job Title', 'Role', 'Job Portal', 'skills', 'Company',  'Sector'*. Пример кодирования категориальных признаков:
+```python
+# Создаем словарь для отображения уникальных значений в числовые идентификаторы
+qualifications_dict = {qual: i for i, qual in enumerate(df_job['Qualifications'].unique())}
+# Заменяем значения в столбце "Qualifications" соответствующими числовыми идентификаторами
+df_job['Qualifications'] = df_job['Qualifications'].map(qualifications_dict)
+```
+- Данные столбцов *'Experience' и 'Salary Range'* были разделены соответственно на дополнительные столбцы: *'Min Experience', 'Max Experience', 'Min Salary', 'Max Salary'*. А сами столбцы *'Experience' и 'Salary Range'* удалены.
+Пример разделения:
+```python
+# Разделяем значения 'Years' на минимальное и максимальное
+# Удаляем символы валюты и другие символы
+df_job['Experience'] = df_job['Experience'].apply(lambda x: str(x).replace('Years', '') if x is not None else x)
+df_job[['Min Experience', 'Max Experience']] = df_job['Experience'].str.split(' to ', expand=True)
+# Преобразуем значения в числовой формат
+df_job['Min Experience'] = pd.to_numeric(df_job['Min Experience'])
+df_job['Max Experience'] = pd.to_numeric(df_job['Max Experience'])
+```
+- Данные столбцы *'Job Posting Date'* были разбиты на дополнительные столбцы: *'year', 'month', 'day'*. А сам столбец *'Job Posting Date'* был удален.
+- Данные ячеек столбца *'Company Profile'* имеют структуру вида *{"Sector":"Diversified","Industry":"Diversified Financials","City":"Sunny Isles Beach","State":"Florida","Zip":"33160","Website":"www.ielp.com","Ticker":"IEP","CEO":"David Willetts"}*, поэтому были разделены на дополнительные столбцы и закодированы для избежания категориальных признаков: *'Sector', 'Industry', 'City', 'State', 'Ticker'*, а данные о *'Zip', 'Website', 'CEO'* были удалены, как наименее важные. Также был удален сам столбец *'Company Profile'*.
+
+#### Выявление значимых параметров
+
+Создаем переменную y, которая содержит значения целевой переменной *"Qualifications"* из нашего подготовленного набора данных `data`. Разделяем данные на обучающую и тестовую выборки, где `corr.values` содержит значения признаков, которые будут использоваться для обучения модели, `y.values` содержит значения целевой переменной, а `test_size=0.2` указывает, что 20% данных будет использоваться для тестирования модели. Затем создаем экземпляр классификатора `DecisionTreeClassifier` и обучаем классификатор на обучающих данных. После чего получаем важности признаков из обученной модели, которые показывают, насколько сильно каждый признак влияет на прогнозы модели.
+```python
+ # определение целевой переменной
+y = data['Qualifications']
+# Разделение данных на обучающую и тестовую выборки
+X_train, X_test, y_train, y_test = train_test_split(corr.values, y.values, test_size=0.2)
+# Создание экземпляра классификатора дерева решений
+clf = DecisionTreeClassifier(random_state=241)
+# Обучение модели на обучающей выборке
+clf.fit(X_train, y_train)
+# Прогнозирование классов для тестовой выборки
+y_pred = clf.predict(X_test)
+importances = clf.feature_importances_
+print("Важность признаков: ")
+print(importances)
+print("Отсортированная важность признаков: ")
+conversion_ratings(importances)
+```
+Для того, чтобы получить отсортированный список важности признаков и их значения создаем дополнительный метод `conversion_ratings` с аналогичной логикой работы сортировки данных, как в лабораторной работе 2.
+
+После запуска имеем следующий результат:
+```
+Важность признаков: 
+[0.04535517 0.04576875 0.03236705 0.07819966 0.02279837 0.0608208
+ 0.04189454 0.04985896 0.0418959  0.03571376 0.03675038 0.04229454
+ 0.04054691 0.05188657 0.03849015 0.04226668 0.04105321 0.03616932
+ 0.03535738 0.01584379 0.04569225 0.0588709  0.00620841 0.00620682
+ 0.00606359 0.00595985 0.00568906 0.00345068 0.00343211 0.00491702
+ 0.00614867 0.00568446 0.00634429]
+Отсортированная важность признаков: 
+{'Company Size': 1.0, 'Job Title': 0.77, 'day': 0.74, 'Max Salary': 0.65, 'Job Portal': 0.62, 'Country': 0.57, 'month': 0.57, 'location': 0.56, 'Max Experience': 0.52, 'Industry': 0.52, 'Role': 0.51, 'skills': 0.51, 'Min Salary': 0.5, 'City': 0.5, 'Sector': 0.47, 'Min Experience': 0.45, 'State': 0.44, 'Company': 0.43, 'Ticker': 0.43, 'Work Type': 0.39, 'Preference': 0.26, 'year': 0.17, "'Casual Dress Code, Social and Recreational Activities, Employee Referral Programs, Health and Wellness Facilities, Life and Disability Insurance'": 0.04, "'Childcare Assistance, Paid Time Off (PTO), Relocation Assistance, Flexible Work Arrangements, Professional Development'": 0.04, "'Employee Assistance Programs (EAP), Tuition Reimbursement, Profit-Sharing, Transportation Benefits, Parental Leave'": 0.04, "'Life and Disability Insurance, Stock Options or Equity Grants, Employee Recognition Programs, Health Insurance, Social and Recreational Activities'": 0.04, "'Tuition Reimbursement, Stock Options or Equity Grants, Parental Leave, Wellness Programs, Childcare Assistance'": 0.04, "'Employee Referral Programs, Financial Counseling, Health and Wellness Facilities, Casual Dress Code, Flexible Spending Accounts (FSAs)'": 0.03, "'Flexible Spending Accounts (FSAs), Relocation Assistance, Legal Assistance, Employee Recognition Programs, Financial Counseling'": 0.03, "'Transportation Benefits, Professional Development, Bonuses and Incentive Programs, Profit-Sharing, Employee Discounts'": 0.03, "'Legal Assistance, Bonuses and Incentive Programs, Wellness Programs, Employee Discounts, Retirement Plans'": 0.02, "'Health Insurance, Retirement Plans, Flexible Work Arrangements, Employee Assistance Programs (EAP), Bonuses and Incentive Programs'": 0.0, "'Health Insurance, Retirement Plans, Paid Time Off (PTO), Flexible Work Arrangements, Employee Assistance Programs (EAP)'": 0.0}
+
+```
+
+### Вывод
+
+Таким образом, можно сделать вывод о том, что наиболее важным признаком является "Company Size" с важностью 1.0, за ним следуют "Job Title" (0.77), "day" (0.74) и "Max Salary" (0.65). Исходя из значений важности признаков, можно сделать вывод, что как числовые, так и категориальные признаки вносят вклад в прогнозирование целевой переменной. 
+
+В целом, результаты лабораторной работы позволяют оценить важность каждого признака в прогнозировании целевой переменной и помогают понять, какие признаки следует учитывать при анализе данных и принятии решений.

kochkareva_elizaveta_lab_3/main.py

@@ -0,0 +1,194 @@
+import numpy as np
+import pandas as pd
+from sklearn.model_selection import train_test_split
+from sklearn.preprocessing import MinMaxScaler
+from sklearn.tree import DecisionTreeClassifier
+
+
+def data_preprocessing():
+    df_job_orig = pd.read_csv('D:/Интеллектуальные информационные системы/Dataset/job_descriptions.csv')
+    df_job_orig = pd.DataFrame(df_job_orig)
+    desired_rows = int(0.99 * len(df_job_orig))
+    df_job = df_job_orig.copy()
+    df_job = df_job[:desired_rows]
+    df_job.drop(["Job Id", "latitude", "longitude", "Contact Person", "Contact", "Job Description", "Responsibilities"], axis=1,
+                inplace=True)
+    # digitization
+    # --------------------------'Years'------------------------
+    # Разделяем значения 'Years' на минимальное и максимальное
+    # Удаляем символы валюты и другие символы
+    df_job['Experience'] = df_job['Experience'].apply(lambda x: str(x).replace('Years', '') if x is not None else x)
+    df_job[['Min Experience', 'Max Experience']] = df_job['Experience'].str.split(' to ', expand=True)
+    # Преобразуем значения в числовой формат
+    df_job['Min Experience'] = pd.to_numeric(df_job['Min Experience'])
+    df_job['Max Experience'] = pd.to_numeric(df_job['Max Experience'])
+    # --------------------------'Salary Range'------------------------
+    # Удаляем символы валюты и другие символы
+    df_job['Salary Range'] = df_job['Salary Range'].str.replace('$', '').str.replace('K', '000')
+    # Разделяем значения на минимальное и максимальное
+    df_job[['Min Salary', 'Max Salary']] = df_job['Salary Range'].str.split('-', expand=True)
+    # Преобразуем значения в числовой формат
+    df_job['Min Salary'] = pd.to_numeric(df_job['Min Salary'])
+    df_job['Max Salary'] = pd.to_numeric(df_job['Max Salary'])
+    # --------------------------'Qualifications'------------------------
+    # Создаем словарь для отображения уникальных значений в числовые идентификаторы
+    qualifications_dict = {qual: i for i, qual in enumerate(df_job['Qualifications'].unique())}
+    # Заменяем значения в столбце "Qualifications" соответствующими числовыми идентификаторами
+    df_job['Qualifications'] = df_job['Qualifications'].map(qualifications_dict)
+    # --------------------------'location'------------------------
+    # Создаем словарь для отображения уникальных значений в числовые идентификаторы
+    locations_dict = {locat: i for i, locat in enumerate(df_job['location'].unique())}
+    # Заменяем значения в столбце "location" соответствующими числовыми идентификаторами
+    df_job['location'] = df_job['location'].map(locations_dict)
+    # --------------------------'Country'-------------------------
+    # Создаем словарь для отображения уникальных значений в числовые идентификаторы
+    countries_dict = {countr: i for i, countr in enumerate(df_job['Country'].unique())}
+    # Заменяем значения в столбце "Country" соответствующими числовыми идентификаторами
+    df_job['Country'] = df_job['Country'].map(countries_dict)
+    # --------------------------'Work Type'-------------------------
+    # Создаем словарь для отображения уникальных значений в числовые идентификаторы
+    wt_dict = {wt: i for i, wt in enumerate(df_job['Work Type'].unique())}
+    # Заменяем значения в столбце "Work Type" соответствующими числовыми идентификаторами
+    df_job['Work Type'] = df_job['Work Type'].map(wt_dict)
+    # --------------------------'Preference gender'-------------------------
+    # Создаем словарь для отображения уникальных значений в числовые идентификаторы
+    gender_dict = {gender: i for i, gender in enumerate(df_job['Preference'].unique())}
+    # Заменяем значения в столбце "Preference" соответствующими числовыми идентификаторами
+    df_job['Preference'] = df_job['Preference'].map(gender_dict)
+    # --------------------------'Job Title'-------------------------
+    # Создаем словарь для отображения уникальных значений в числовые идентификаторы
+    jt_dict = {jt: i for i, jt in enumerate(df_job['Job Title'].unique())}
+    # Заменяем значения в столбце "Job Title" соответствующими числовыми идентификаторами
+    df_job['Job Title'] = df_job['Job Title'].map(jt_dict)
+    # --------------------------'Role'-------------------------
+    # Создаем словарь для отображения уникальных значений в числовые идентификаторы
+    role_dict = {role: i for i, role in enumerate(df_job['Role'].unique())}
+    # Заменяем значения в столбце "Role" соответствующими числовыми идентификаторами
+    df_job['Role'] = df_job['Role'].map(role_dict)
+    # --------------------------'Job Portal'-------------------------
+    # Создаем словарь для отображения уникальных значений в числовые идентификаторы
+    jp_dict = {jp: i for i, jp in enumerate(df_job['Job Portal'].unique())}
+    # Заменяем значения в столбце "Job Portal" соответствующими числовыми идентификаторами
+    df_job['Job Portal'] = df_job['Job Portal'].map(jp_dict)
+    # --------------------------'Company'-------------------------
+    # Создаем словарь для отображения уникальных значений в числовые идентификаторы
+    comp_dict = {comp: i for i, comp in enumerate(df_job['Company'].unique())}
+    # Заменяем значения в столбце "Company" соответствующими числовыми идентификаторами
+    df_job['Company'] = df_job['Company'].map(comp_dict)
+    # --------------------------'Company Profile'-------------------------
+    df_company_profile = df_job['Company Profile'].str.split('",', expand=True)
+    df_company_profile.columns = ['Sector', 'Industry', 'City', 'State', 'Zip', 'Website', 'Ticker', 'CEO']
+    df_company_profile = df_company_profile.apply(
+        lambda x: x.str.replace('{', '').str.replace('"', '').str.replace('}', '')
+        .str.replace('Sector', '').str.replace('Industry', '').str.replace('City', '')
+        .str.replace('State', '').str.replace('Zip', '').str.replace('Website', '')
+        .str.replace('Ticker', '').str.replace('CEO', '').str.replace(':', ''))
+    df_company_profile.drop(["CEO", "Website", "Zip"], axis=1, inplace=True)
+        # --------------------------'Sector'-------------------------
+        # Создаем словарь для отображения уникальных значений в числовые идентификаторы
+    comp_dict = {sector: i for i, sector in enumerate(df_company_profile['Sector'].unique())}
+        # Заменяем значения в столбце "Sector" соответствующими числовыми идентификаторами
+    df_company_profile['Sector'] = df_company_profile['Sector'].map(comp_dict)
+        # --------------------------'Industry'-------------------------
+        # Создаем словарь для отображения уникальных значений в числовые идентификаторы
+    comp_dict = {industry: i for i, industry in enumerate(df_company_profile['Industry'].unique())}
+        # Заменяем значения в столбце "Industry" соответствующими числовыми идентификаторами
+    df_company_profile['Industry'] = df_company_profile['Industry'].map(comp_dict)
+        # --------------------------'City'-------------------------
+        # Создаем словарь для отображения уникальных значений в числовые идентификаторы
+    comp_dict = {city: i for i, city in enumerate(df_company_profile['City'].unique())}
+        # Заменяем значения в столбце "City" соответствующими числовыми идентификаторами
+    df_company_profile['City'] = df_company_profile['City'].map(comp_dict)
+        # --------------------------'State'-------------------------
+        # Создаем словарь для отображения уникальных значений в числовые идентификаторы
+    comp_dict = {state: i for i, state in enumerate(df_company_profile['State'].unique())}
+        # Заменяем значения в столбце "State" соответствующими числовыми идентификаторами
+    df_company_profile['State'] = df_company_profile['State'].map(comp_dict)
+        # --------------------------'Ticker'-------------------------
+        # Создаем словарь для отображения уникальных значений в числовые идентификаторы
+    comp_dict = {ticker: i for i, ticker in enumerate(df_company_profile['Ticker'].unique())}
+        # Заменяем значения в столбце "Ticker" соответствующими числовыми идентификаторами
+    df_company_profile['Ticker'] = df_company_profile['Ticker'].map(comp_dict)
+    # Объединение преобразованных столбцов с исходным датасетом
+    df_job = pd.concat([df_job, df_company_profile], axis=1)
+    # --------------------------'Job Posting Date'-------------------------
+    df_job[['year', 'month', 'day']] = df_job['Job Posting Date'].str.split('-', expand=True)
+    df_job['year'] = pd.to_numeric(df_job['year'])
+    df_job['month'] = pd.to_numeric(df_job['month'])
+    df_job['day'] = pd.to_numeric(df_job['day'])
+    # --------------------------'Benefits'-------------------------
+    df_job['Benefits'] = df_job['Benefits'].str.replace('{', '').str.replace('}', '')
+    # Применить метод get_dummies для оцифровки столбца 'Benefits'
+    benefits_encoded = pd.get_dummies(df_job['Benefits'], dtype=int)
+    # Соединить исходный DataFrame с оцифрованными данными
+    df_job = pd.concat([df_job, benefits_encoded], axis=1)
+    # --------------------------'skills'-------------------------
+    # Создаем словарь для отображения уникальных значений в числовые идентификаторы
+    comp_dict = {skill: i for i, skill in enumerate(df_job['skills'].unique())}
+    # Заменяем значения в столбце "skills" соответствующими числовыми идентификаторами
+    df_job['skills'] = df_job['skills'].map(comp_dict)
+    df_job.drop(["Company Profile", "Experience", "Salary Range", "Benefits", "Job Posting Date"], axis=1, inplace=True)
+    print(df_job.dtypes)
+    df_job.to_csv('D:/Интеллектуальные информационные системы/Dataset/updated_job_descriptions.csv', index=False)
+
+
+def decision_tree_classifier():
+    data = pd.read_csv('D:/Интеллектуальные информационные системы/Dataset/updated_job_descriptions.csv')
+    corr = data[['location', 'Country', 'Work Type', 'Company Size', 'Preference', 'Job Title', 'Role', 'Job Portal', 'skills', 'Company', 'Min Experience', 'Max Experience', 'Min Salary',
+                 'Max Salary', 'Sector', 'Industry', 'City', 'State', 'Ticker', 'year', 'month', 'day',
+                 "'Casual Dress Code, Social and Recreational Activities, Employee Referral Programs, Health and Wellness Facilities, Life and Disability Insurance'",
+                 "'Childcare Assistance, Paid Time Off (PTO), Relocation Assistance, Flexible Work Arrangements, Professional Development'",
+                 "'Employee Assistance Programs (EAP), Tuition Reimbursement, Profit-Sharing, Transportation Benefits, Parental Leave'",
+                 "'Employee Referral Programs, Financial Counseling, Health and Wellness Facilities, Casual Dress Code, Flexible Spending Accounts (FSAs)'",
+                 "'Flexible Spending Accounts (FSAs), Relocation Assistance, Legal Assistance, Employee Recognition Programs, Financial Counseling'",
+                 "'Health Insurance, Retirement Plans, Flexible Work Arrangements, Employee Assistance Programs (EAP), Bonuses and Incentive Programs'",
+                 "'Health Insurance, Retirement Plans, Paid Time Off (PTO), Flexible Work Arrangements, Employee Assistance Programs (EAP)'",
+                 "'Legal Assistance, Bonuses and Incentive Programs, Wellness Programs, Employee Discounts, Retirement Plans'",
+                 "'Life and Disability Insurance, Stock Options or Equity Grants, Employee Recognition Programs, Health Insurance, Social and Recreational Activities'",
+                 "'Transportation Benefits, Professional Development, Bonuses and Incentive Programs, Profit-Sharing, Employee Discounts'",
+                 "'Tuition Reimbursement, Stock Options or Equity Grants, Parental Leave, Wellness Programs, Childcare Assistance'"]]
+    print(corr.head())
+    # определение целевой переменной
+    y = data['Qualifications']
+    # Разделение данных на обучающую и тестовую выборки
+    X_train, X_test, y_train, y_test = train_test_split(corr.values, y.values, test_size=0.2)
+    # Создание экземпляра классификатора дерева решений
+    clf = DecisionTreeClassifier(random_state=241)
+    # Обучение модели на обучающей выборке
+    clf.fit(X_train, y_train)
+    # Прогнозирование классов для тестовой выборки
+    y_pred = clf.predict(X_test)
+    importances = clf.feature_importances_
+    print("Важность признаков: ")
+    print(importances)
+    print("Отсортированная важность признаков: ")
+    conversion_ratings(importances)
+
+
+def conversion_ratings(rank):
+    column_names = ['location', 'Country', 'Work Type', 'Company Size', 'Preference', 'Job Title', 'Role', 'Job Portal', 'skills', 'Company', 'Min Experience', 'Max Experience', 'Min Salary',
+                 'Max Salary', 'Sector', 'Industry', 'City', 'State', 'Ticker', 'year', 'month', 'day',
+                 "'Casual Dress Code, Social and Recreational Activities, Employee Referral Programs, Health and Wellness Facilities, Life and Disability Insurance'",
+                 "'Childcare Assistance, Paid Time Off (PTO), Relocation Assistance, Flexible Work Arrangements, Professional Development'",
+                 "'Employee Assistance Programs (EAP), Tuition Reimbursement, Profit-Sharing, Transportation Benefits, Parental Leave'",
+                 "'Employee Referral Programs, Financial Counseling, Health and Wellness Facilities, Casual Dress Code, Flexible Spending Accounts (FSAs)'",
+                 "'Flexible Spending Accounts (FSAs), Relocation Assistance, Legal Assistance, Employee Recognition Programs, Financial Counseling'",
+                 "'Health Insurance, Retirement Plans, Flexible Work Arrangements, Employee Assistance Programs (EAP), Bonuses and Incentive Programs'",
+                 "'Health Insurance, Retirement Plans, Paid Time Off (PTO), Flexible Work Arrangements, Employee Assistance Programs (EAP)'",
+                 "'Legal Assistance, Bonuses and Incentive Programs, Wellness Programs, Employee Discounts, Retirement Plans'",
+                 "'Life and Disability Insurance, Stock Options or Equity Grants, Employee Recognition Programs, Health Insurance, Social and Recreational Activities'",
+                 "'Transportation Benefits, Professional Development, Bonuses and Incentive Programs, Profit-Sharing, Employee Discounts'",
+                 "'Tuition Reimbursement, Stock Options or Equity Grants, Parental Leave, Wellness Programs, Childcare Assistance'"]
+    ranks = dict()
+    ranks = np.abs(rank)
+    minmax = MinMaxScaler()
+    ranks = minmax.fit_transform(np.array(ranks).reshape(33, 1)).ravel()  # - преобразование данных
+    ranks = map(lambda x: round(x, 2), ranks)  # - округление элементов массива
+    my_dict = dict(zip(column_names, ranks))
+    sorted_dict = dict(sorted(my_dict.items(), key=lambda x: x[1], reverse=True))
+    print(sorted_dict)
+
+
+if __name__ == '__main__':
+    #data_preprocessing()
+    decision_tree_classifier()

kondrashin_mikhail_lab_1/README.md

@@ -0,0 +1,44 @@
+#### Кондрашин Михаил ПИбд-41
+
+## Лабораторная работа 1. Работа с типовыми наборами данных и различными моделями
+
+### Задание:
+
+**Данные:** make_classification (n_samples=500, n_features=2, n_redundant=0, n_informative=2, random_state=rs,
+n_clusters_per_class=1)
+
+**Модели:**
+
+* Линейная регрессия
+* Полиномиальная регрессия (со степенью 3)
+* Гребневая полиномиальная регрессия (со степенью 4, alpha = 1.0)
+
+### 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)
+
+### Описание решения:
+
+* Программа генерирует данные с make_classification (n_samples=500, n_features=2, n_redundant=0, n_informative=2,
+  random_state=rs, n_clusters_per_class=1)
+* Сравнивает три типа моделей: линейная, полиномиальная, гребневая полиномиальная регрессии
+* Выдает графики и оценки качества по коэффициенту детерминации для каждой модели
+
+### Результат:
+
+![Linear](images/linear.png)
+![Polynomial](images/polynomial.png)
+![Greb](images/greb_polynom.png)
+
+* Результат расчета оценки качества:
+  ![Result](images/result.png)
+
+По результатам оценки качества можно сказать, что **полиномиальная регрессия** показала наибольшую оценку
+

kondrashin_mikhail_lab_1/funcs.py

@@ -0,0 +1,47 @@
+from matplotlib import pyplot as plt
+from sklearn.linear_model import LinearRegression
+from sklearn.linear_model import Ridge
+from sklearn.pipeline import Pipeline
+from sklearn.preprocessing import PolynomialFeatures
+
+
+def lin(x_train, x_test, y_train, y_test):
+    plt.scatter(x_test, y_test)
+    model = LinearRegression().fit(x_train, y_train)
+    y_predict = model.intercept_ + model.coef_ * x_test
+    plt.plot(x_test, y_predict, color='red')
+    plt.title('Линейная регрессия')
+    plt.savefig('images/linear.png')
+    plt.show()
+
+    print('Линейная регрессия')
+    print('Оценка качества:', model.score(x_train, y_train))
+
+
+def polynom(x_train, y_train):
+    plt.scatter(x_train, y_train)
+    x_poly = PolynomialFeatures(degree=4).fit_transform(x_train)
+    pol_reg = LinearRegression()
+    model = pol_reg.fit(x_poly, y_train)
+    y_predict = pol_reg.predict(x_poly)
+    plt.plot(x_train, y_predict, color='green')
+    plt.title('Полиномиальная регрессия')
+    plt.savefig('images/polynomial.png')
+    plt.show()
+
+    print('Полиномиальная регрессия')
+    print('Оценка качества:', model.score(x_poly, y_train))
+
+
+def greb_polynom(x_train, x_test, y_train, y_test):
+    plt.scatter(x_test, y_test)
+    pipeline = Pipeline([("polynomial_features", PolynomialFeatures(degree=4)), ("ridge", Ridge(alpha=1.0))])
+    model = pipeline.fit(x_train, y_train)
+    y_predict = pipeline.predict(x_test)
+    plt.plot(x_test, y_predict, color='blue')
+    plt.title('Гребневая полиномиальная регрессия')
+    plt.savefig('images/greb_polynom.png')
+    plt.show()
+
+    print('Гребневая полиномиальная регрессия')
+    print('Оценка качества:', model.score(x_train, y_train))

kondrashin_mikhail_lab_1/main.py

@@ -0,0 +1,16 @@
+import numpy as np
+from sklearn.datasets import make_classification
+from sklearn.model_selection import train_test_split
+
+from funcs import *
+
+x, y = make_classification(n_samples=500, n_features=2, n_redundant=0, n_informative=2, random_state=0,
+                           n_clusters_per_class=1)
+
+x = x[:, np.newaxis, 1]
+
+x_train, x_test, y_train, y_test = train_test_split(x, y)
+
+lin(x_train, x_test, y_train, y_test)
+polynom(x_train, y_train)
+greb_polynom(x_train, x_test, y_train, y_test)

kondrashin_mikhail_lab_2/README.md

@@ -0,0 +1,36 @@
+#### Кондрашин Михаил ПИбд-41
+
+## Лабораторная работа 2. Ранжирование признаков
+
+### Задание:
+
+* Линейная регрессия (LinearRegression)
+* Сокращение признаков случайными деревьями (Random Forest Regressor) 
+* Линейная корреляция (f_regression)
+
+### 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)
+
+### Описание решения:
+
+Программа выполняет ранжирование признаков для регрессионной модели:
+* Линейная регрессия (LinearRegression)
+* Сокращение признаков Случайными деревьями (Random Forest Regressor)
+* Линейная корреляция (f_regression)
+
+*14 признаков
+*750 наблюдений
+
+### Результат:
+![Result](images/result.png)
+* Лучше всего показал себя метод линейной корреляции (x4, x14, x2, x12). Хотя признаки x1 и x3 не были выявлены, их влияние может быть учтено через скоррелированные параметры x12 и x14.
+* Самые важные признаки по среднему значению: x1, x4, x2, x11
+

kondrashin_mikhail_lab_2/data.py

@@ -0,0 +1,12 @@
+import numpy as np
+
+
+def generate_data():
+    size = 750
+    np.random.seed(0)
+    X = np.random.uniform(0, 1, (size, 14))
+    Y = (10 * np.sin(np.pi * X[:, 0] * X[:, 1]) + 20 * (X[:, 2] - .5) ** 2 + 10 * X[:, 3] + 5 * X[:, 4] ** 5 + np.random.normal(0, 1))
+
+    X[:, 10:] = X[:, :4] + np.random.normal(0, .025, (size, 4))
+
+    return X, Y

kondrashin_mikhail_lab_2/main.py

@@ -0,0 +1,22 @@
+from sklearn.ensemble import RandomForestRegressor
+from sklearn.feature_selection import f_regression
+from sklearn.linear_model import LinearRegression
+
+from data import generate_data
+from ranks import mean_calc_and_sort, get_ranks
+
+
+if __name__ == '__main__':
+    x, y = generate_data()
+
+    linear = LinearRegression()
+    linear.fit(x, y)
+
+    rfr = RandomForestRegressor(bootstrap=True)
+    rfr.fit(x, y)
+
+    f, p_val = f_regression(x, y, center=True)
+
+    ranks = get_ranks(linear, rfr, f)
+
+    print("mean", mean_calc_and_sort(ranks))

kondrashin_mikhail_lab_2/ranks.py

@@ -0,0 +1,40 @@
+import numpy as np
+from sklearn.preprocessing import MinMaxScaler
+
+
+def get_ranks(linear, rfr, f):
+    ranks = dict()
+    features = ["x%s" % i for i in range(1, 15)]
+
+    ranks['Linear'] = rank_to_dict(linear.coef_, features)
+    ranks['RFR'] = rank_to_dict(rfr.feature_importances_, features)
+    ranks['f_reg'] = rank_to_dict(f, features)
+
+    return ranks
+
+
+def rank_to_dict(ranks, names):
+    ranks = np.abs(ranks)
+    minmax = MinMaxScaler()
+
+    ranks = minmax.fit_transform(np.array(ranks).reshape(14, 1)).ravel()
+    ranks = map(lambda x: round(x, 2), ranks)
+    return dict(zip(names, ranks))
+
+
+def mean_calc_and_sort(ranks):
+    mean = {}
+
+    for key, value in ranks.items():
+        print(key, value)
+        for item in value.items():
+            if item[0] not in mean:
+                mean[item[0]] = 0
+                mean[item[0]] += item[1]
+
+    for key, value in mean.items():
+        res = value / len(ranks)
+        mean[key] = round(res, 2)
+
+    return mean
+

kondrashin_mikhail_lab_3/README.md

@@ -0,0 +1,26 @@
+#### Кондрашин Михаил ПИбд-41
+
+## Лабораторная работа 3. Деревья решений
+
+### 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)
+
+### Описание решения:
+
+* Выполняет ранжирование признаков для регрессионной модели
+* По данным "WindData" решает задачу классификации (с помощью дерева решений), в которой необходимо определить статистические параметры ветра, влияющие на классификацию по каждому из классов интенсивности турбулентности в соответствии с международной классификацией IEC-614000-1 ed.3.
+
+
+### Результат:
+![Result](images/result.png)
+
+Как видно из результата работы программы - для каждого класса интенсивности турбулентности ключевым является показатель скорости ветра, наиболее выражено это для класса "С", наименее - для класса "B" 
+

kondrashin_mikhail_lab_3/main.py

@@ -0,0 +1,41 @@
+from sklearn.model_selection import train_test_split
+from sklearn.tree import DecisionTreeClassifier
+import pandas as pd
+import numpy as np
+
+pd.options.mode.chained_assignment = None
+
+FILE_PATH = "WindData.csv"
+REQUIRED_COLUMNS = ['TI1', 'V1']
+TARGET_COLUMN_1 = 'TurbulenceIntensityClassA'
+TARGET_COLUMN_2 = 'TurbulenceIntensityClassB'
+TARGET_COLUMN_3 = 'TurbulenceIntensityClassC'
+
+
+def print_classifier_info(feature_importance):
+    feature_names = REQUIRED_COLUMNS
+    embarked_score = feature_importance[-3:].sum()
+    scores = np.append(feature_importance[:2], embarked_score)
+    scores = map(lambda score: round(score, 2), scores)
+    print(dict(zip(feature_names, scores)))
+
+
+def actions(target_column):
+    data = pd.read_csv(FILE_PATH)
+
+    X = data[REQUIRED_COLUMNS]
+    y = data[target_column]
+
+    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5, random_state=100)
+
+    classifier_tree = DecisionTreeClassifier(random_state=100)
+    classifier_tree.fit(X_train, y_train)
+
+    print_classifier_info(classifier_tree.feature_importances_)
+    print("Оценка качества классификации ", target_column, " - ", classifier_tree.score(X_test, y_test))
+
+
+if __name__ == '__main__':
+    actions(TARGET_COLUMN_1)
+    actions(TARGET_COLUMN_2)
+    actions(TARGET_COLUMN_3)

kutygin_andrey_lab_1/README.md

@@ -0,0 +1,44 @@
+**Задание**
+***
+
+Вариант 16
+
+***Данные:*** make_moons (noise=0.3, random_state=rs)
+
+***Модели:***
+
+· Линейную регрессию
+
+· Многослойный персептрон с 10-ю нейронами в скрытом слое (alpha = 0.01)
+
+· Персептрон
+
+***Как запустить лабораторную:*** 
+***
+Запустить файл lab1.py
+
+***Используемые технологии***
+***
+Библиотеки numpy, matplotlib, sklearn и их компоненты
+
+***Описание лабораторной (программы)***
+***
+Реализация использования NumPy, Matplotlib и scikit-learn в данном коде позволяет создавать и обучать модели машинного обучения на наборе данных make_moons. 
+
+Первым шагом является генерация набора данных make_moons, которая представляет собой двумерный набор точек, распределенных в форме двух связных полумесяцев. Это набор данных, используемый для задачи классификации.
+
+Затем модели линейной регрессии, многослойного персептрона и персептрона обучаются на этом наборе данных. В процессе обучения модели адаптируют свои внутренние параметры для предсказания целевых значений.
+
+После обучения моделей создается сетка точек, чтобы предсказать значения моделей на этой сетке. Это позволяет визуализировать, как модели классифицируют пространство точек.
+
+В конце кода данные и предсказания моделей визуализируются на графиках. Это позволяет сравнить и оценить, насколько хорошо каждая модель справляется с задачей классификации и как они различаются друг от друга.
+
+***Результат***
+***
+В результате программа выводит графики и оценки производительности обучения, полученные через model.score библиотеки sclearn.
+
+Линейная регрессия: 0.5453845246295626
+
+Многослойный персептрон: 0.10895145407108087
+
+Персептрон: 0.5

kutygin_andrey_lab_1/lab1.py

@@ -0,0 +1,55 @@
+import numpy as np
+import matplotlib.pyplot as plt
+from sklearn.datasets import make_moons
+from sklearn.linear_model import LinearRegression
+from sklearn.neural_network import MLPClassifier, MLPRegressor
+from sklearn.metrics import accuracy_score, mean_squared_error
+
+
+X, y = make_moons(noise=0.3, random_state=42)
+
+# Линейная регрессия
+lr = LinearRegression()
+lr.fit(X, y)
+
+# Многослойный персептрон
+mlp = MLPRegressor(hidden_layer_sizes=(10,), alpha=0.01, random_state=42)
+mlp.fit(X, y)
+
+# Персептрон
+perceptron = MLPClassifier(hidden_layer_sizes=(1,), random_state=42)
+perceptron.fit(X, y)
+
+# Создаем сетку точек для предсказания моделей
+xx, yy = np.meshgrid(np.linspace(-2, 3, 1000), np.linspace(-2, 2, 1000))
+Z_lr = lr.predict(np.c_[xx.ravel(), yy.ravel()]).reshape(xx.shape)
+Z_mlp = mlp.predict(np.c_[xx.ravel(), yy.ravel()]).reshape(xx.shape)
+Z_perceptron = perceptron.predict(np.c_[xx.ravel(), yy.ravel()]).reshape(xx.shape)
+
+# Отображаем данные и предсказания моделей
+plt.figure(figsize=(18, 6))
+
+# График линейной регрессии
+plt.subplot(1, 3, 1)
+plt.contourf(xx, yy, Z_lr, cmap=plt.cm.RdBu, alpha=0.8)
+plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.RdBu, edgecolors='k')
+plt.title("Линейная регрессия")
+
+# График многослойного персептрона
+plt.subplot(1, 3, 2)
+plt.contourf(xx, yy, Z_mlp, cmap=plt.cm.RdBu, alpha=0.8)
+plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.RdBu, edgecolors='k')
+plt.title("Многослойный персептрон")
+
+# График персептрона
+plt.subplot(1, 3, 3)
+plt.contourf(xx, yy, Z_perceptron, cmap=plt.cm.RdBu, alpha=0.8)
+plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.RdBu, edgecolors='k')
+plt.title("Персептрон")
+
+print("Линейная регрессия:", lr.score(X, y))
+print("Многослойный персептрон:", mlp.score(X, y))
+print("Персептрон:", perceptron.score(X, y))
+
+# Показываем графики
+plt.show()

kutygin_andrey_lab_2/README.md

@@ -0,0 +1,71 @@
+**Задание**
+***
+Используя код из пункта «Решение задачи ранжирования признаков», выполните ранжирование признаков с помощью указанных по варианту моделей. Отобразите получившиеся оценки каждого признака каждой моделью и среднюю оценку. Проведите анализ получившихся результатов. Какие четыре признака оказались самыми важными по среднему значению? (Названия\индексы признаков и будут ответом на задание).
+
+**Вариант 16:**
+
+Линейная регрессия (LinearRegression)
+
+Случайное Лассо (RandomizedLasso)
+
+Линейная корреляция (f_regression)
+
+
+**Как запустить лабораторную**
+***
+Запустить файл main.py
+
+**Используемые технологии**
+***
+Библиотеки numpy, scikit-learn, их компоненты
+
+**Описание лабораторной (программы)**
+***
+Этот код демонстрирует, как выполнить ранжирование признаков в задаче регрессии с использованием моделей Linear Regression и Random Forest Regression, а также метода f_regression. 
+
+Первым этапом является создание случайных данных с помощью функции make_regression. Затем мы обучаем модель Linear Regression на этих данных и сохраняем оценки весов признаков. То же самое мы делаем и с моделью Random Forest Regression, сохраняя значения "важности" признаков, полученные от этой модели. Кроме того, мы применяем метод f_regression для получения оценок важности каждого признака.
+
+Далее мы вычисляем среднее значение оценок признаков от трех методов / моделей. Затем мы выводим все оценки важности признаков. 
+
+В конце кода мы выбираем четыре наиболее важных признака на основе средних оценок и выводим их значения. 
+
+Важность признака определяется по его оценке/значению, где более высокие значения указывают на бОльшую важность. Очевидно, что самые важные признаки будут те, у которых оценки/значения выше всего.
+**Результат**
+***
+В результате получаем следующее:
+
+Признак 0: 0.8672604223819891
+
+Признак 1: 0.7708510602186707
+
+Признак 2: 0.03116023013554309
+
+Признак 3: 0.6998726361290992
+
+Признак 4: 1.0
+
+Признак 5: 0.08986896281166205
+
+Признак 6: 0.669155851030746
+
+Признак 7: 0.1410044322180913
+
+Признак 8: 0.043892111747763814
+
+Признак 9: 0.5011547461825057
+
+4 Наиболее значимых признака:
+
+Признак 3: 0.6998726361290992
+
+Признак 1: 0.7708510602186707
+
+Признак 0: 0.8672604223819891
+
+Признак 4: 1.0
+
+Вывод: Исходя из выполненного кода, мы получили оценки важности признаков для задачи регрессии с использованием моделей Linear Regression, Random Forest Regression и метода f_regression.
+
+Наиболее важные признаки, определенные на основе средних оценок, оказались: признак 1, признак 6, признак 0 и признак 4.
+
+Эти признаки имеют наибольшее влияние на результат задачи регрессии и следует обратить на них особое внимание при анализе данных и принятии решений.

kutygin_andrey_lab_2/lab2.py

@@ -0,0 +1,42 @@
+import numpy as np
+from sklearn.datasets import make_regression
+from sklearn.linear_model import LinearRegression
+from sklearn.ensemble import RandomForestRegressor
+from sklearn.feature_selection import f_regression
+from sklearn.preprocessing import MinMaxScaler
+
+# Создание случайных данных
+X, y = make_regression(n_samples=100, n_features=10, random_state=42)
+
+# Масштабирование признаков
+scaler = MinMaxScaler()
+X_scaled = scaler.fit_transform(X)
+
+# Ранжирование признаков с помощью Linear Regression
+linreg = LinearRegression()
+linreg.fit(X_scaled, y)
+linreg_scores = np.abs(linreg.coef_)
+
+# Ранжирование признаков с помощью Random Forest Regression
+rfreg = RandomForestRegressor()
+rfreg.fit(X_scaled, y)
+rfreg_scores = rfreg.feature_importances_
+
+# Ранжирование признаков с помощью f_regression
+freg_scores, _ = f_regression(X_scaled, y)
+
+# Вычисление средней оценки
+avg_scores = np.mean([linreg_scores, rfreg_scores, freg_scores], axis=0)
+
+# Масштабирование score в интервал от 0 до 1
+scaled_scores = avg_scores / np.max(avg_scores)
+
+# Вывод результатов
+for i, score in enumerate(scaled_scores):
+    print(f"Признак {i}: {score}")
+
+# Получение индексов четырех наиболее важных признаков
+top_features_indices = np.argsort(scaled_scores)[-4:]
+print("4 Наиболее значимых признака:")
+for idx in top_features_indices:
+    print(f"Признак {idx}: {scaled_scores[idx]}")

malkova_anastasia_lab_2/README.md

@@ -0,0 +1,57 @@
+# Лабораторная работа №2
+
+> Ранжирование признаков
+
+### Как запустить лабораторную работу
+
+1. Установить python, numpy, sklearn
+2. Запустить команду `python main.py` в корне проекта
+
+### Использованные технологии
+
+* Язык программирования `python`
+* Библиотеки `numpy, sklearn`
+* Среда разработки `PyCharm`
+
+### Что делает программа?
+
+Выполняет ранжирование 14 признаков для регрессионной проблемы Фридмана с помощью моделей:
+
+- Лассо (Lasso)
+- Рекурсивное сокращение признаков (Recursive Feature Elimination – RFE)
+- Линейная корреляция (f_regression)
+
+Было проведено несколько экспериментов с разными параметрами моделей, чтобы оценить их влияние на итоговый результат:
+
+#### Тест 1
+
+![alt text](exp_1.png "Experiment 1")
+
+![alt text](exp_console_1.png "Result 1")
+
+#### Тест 2
+
+![alt text](exp_2.png "Experiment 2")
+
+![alt text](exp_console_2.png "Result 2")
+
+#### Тест 3
+
+![alt text](exp_3.png "Experiment 3")
+
+![alt text](exp_console_3.png "Result 3")
+
+#### Тест 4
+
+![alt text](exp_4.png "Experiment 4")
+
+![alt text](exp_console_4.png "Result 4")
+
+Первые 2 эксперимента выявили, что признаки x4, x2, x1, x5 оказались самыми важными по среднему значению.
+
+Другие 2 эксперимента выявили, что признаки x4, x2, x1, x11 оказались самыми важными по среднему значению.
+
+Так как мы изначально знаем, что от признаков x1, x2, x3, x4 зависит наша функция и x11, x12, x13, x14 соответсвенно зависят от них, то лучшим исходом будут эти признаки.
+Но ни один эксперимент не смог точно их выявить. Лучшими оказались эксперименты 3 и 4, так как в отличии от 1-го и 2-го они выявили ещё признак x11 вместо x5, который не влияет на нашу функцию вообще.
+
+Из данных моделей лучше всего определила признаки модель Lasso с alpha=0.001

malkova_anastasia_lab_2/config.py

@@ -0,0 +1,5 @@
+LASSO_TITLE = 'LASSO'
+RFE_TITLE = 'RFE'
+F_REGRESSION_TITLE = 'f_regression'
+
+FEATURES_AMOUNT = 14

malkova_anastasia_lab_2/dataset.py

@@ -0,0 +1,14 @@
+import config
+import numpy as np
+
+
+def generate_dataset():
+    np.random.seed(0)
+    size = 750
+    x = np.random.uniform(0, 1, (size, config.FEATURES_AMOUNT))
+    # Задаем функцию-выход: регрессионную проблему Фридмана
+    y = (10 * np.sin(np.pi * x[:, 0] * x[:, 1]) + 20 * (x[:, 2] - .5)**2 +
+         10*x[:, 3] + 5*x[:, 4]**5 + np.random.normal(0, 1))
+    # Добавляем зависимость признаков
+    x[:, 10:] = x[:, :4] + np.random.normal(0, .025, (size, 4))
+    return x, y

malkova_anastasia_lab_2/fit.py

@@ -0,0 +1,15 @@
+from sklearn.linear_model import Lasso
+from sklearn.linear_model import LinearRegression
+from sklearn.feature_selection import RFE, f_regression
+
+
+def fit_models(x, y):
+    lasso = Lasso(alpha=0.001)
+    lasso.fit(x, y)
+
+    rfe = RFE(lasso, step=2)
+    rfe.fit(x, y)
+
+    f, val = f_regression(x, y, center=False)
+
+    return lasso, rfe, f

malkova_anastasia_lab_2/main.py

@@ -0,0 +1,13 @@
+from dataset import generate_dataset
+from fit import fit_models
+from ranks import calc_mean, get_ranks
+
+x, y = generate_dataset()
+
+lasso, rfe, f = fit_models(x, y)
+
+ranks = get_ranks(lasso, rfe, f)
+
+mean = calc_mean(ranks)
+
+print("MEAN", mean)

malkova_anastasia_lab_2/ranks.py

@@ -0,0 +1,42 @@
+import config
+import numpy as np
+from sklearn.preprocessing import MinMaxScaler
+from operator import itemgetter
+
+
+def rank_to_dict(ranks, names):
+    ranks = np.abs(ranks)
+    minmax = MinMaxScaler()
+    ranks = minmax.fit_transform(
+        np.array(ranks).reshape(config.FEATURES_AMOUNT, 1)).ravel()
+    ranks = map(lambda x: round(x, 2), ranks)
+    return dict(zip(names, ranks))
+
+
+def flip_array(arr):
+    return-1 * arr + np.max(arr)
+
+
+def get_ranks(lasso, rfe, f):
+    ranks = dict()
+    names = ["x%s" % i for i in range(1, config.FEATURES_AMOUNT+1)]
+
+    ranks[config.LASSO_TITLE] = rank_to_dict(lasso.coef_, names)
+    ranks[config.RFE_TITLE] = rank_to_dict(flip_array(rfe.ranking_), names)
+    ranks[config.F_REGRESSION_TITLE] = rank_to_dict(f, names)
+
+    return ranks
+
+
+def calc_mean(ranks):
+    mean = {}
+    for key, value in ranks.items():
+        print(key, value)
+        for item in value.items():
+            if item[0] not in mean:
+                mean[item[0]] = 0
+                mean[item[0]] += item[1]
+    for key, value in mean.items():
+        res = value/len(ranks)
+        mean[key] = round(res, 2)
+    return sorted(mean.items(), key=itemgetter(1), reverse=True)

malkova_anastasia_lab_3/README.md

@@ -0,0 +1,83 @@
+# Лабораторная работа №3
+
+> Деревья решений
+
+### Как запустить лабораторную работу
+
+1. Установить python, numpy, sklearn
+1. Для запуска на наборе данных первого задания `python titanic.py`
+1. Для запуска на наборе данных второго задания `python cars.py`
+
+### Использованные технологии
+
+* Язык программирования `python`
+* Библиотеки `numpy, sklearn`
+* Среда разработки `PyCharm`
+
+### Что делает программа?
+
+#### Часть 1
+
+По данным о пассажирах Титаника решите задачу классификации (с помощью дерева решений), в которой по различным характеристикам пассажиров требуется найти у выживших пассажиров два наиболее важных признака из трех рассматриваемых (по варианту).
+
+Вариант 18 Pclass, Age, Ticket.
+
+Была использована модель DecisionTreeClassifier
+
+#### Набор данных titanic.csv
+
+![alt text](titanic.png "titanic results")
+
+Оценка модели 0.68
+
+2 ключевых параметра, выделенных моделью: Age, Ticket(Fare)
+
+#### Часть 2
+
+Решите с помощью библиотечной реализации дерева решений задачу из лабораторной работы «Веб-сервис «Дерево решений» по предмету «Методы искусственного интеллекта» на 99% ваших данных. Проверьте работу модели на оставшемся проценте, сделайте вывод.
+
+#### Данные
+
+Набор данных о машинах на вторичном рынке.
+> Ссылка на набор данных: https://www.kaggle.com/datasets/harikrishnareddyb/used-car-price-predictions
+
+#### Цель
+
+С помощью дерева решений классифицировать цену автомобилей
+
+#### Модель
+
+Модель использованная в ходе эксперимента DecisionTreeClassifier из пакета sklearn
+
+#### Набор данных true_car_listings.csv
+
+![alt text](cars.png "cars results")
+
+Выбранный начальный набор параметров:
+
+- Mileage
+- Year
+- Model
+
+**Количество данных:**
+[30000 rows x 3 columns]
+
+**Оценка:**
+0.01
+
+**Важность параметров:**
+[0.8780813  0.04707369 0.074845  ]
+
+Качество неудовлетворительное.
+
+Параметр, имеющий самую большую значимость: Mileage(пробег)
+
+### Вывод
+
+Главный вывод работы, состоит в том, что модель DecisionTreeClassifier 
+не подходит для решения 2 части данной задачи, поэтому решение не может быть применено на практике.
+
+Причина низкой точности модели заключается в том, что цена автомобиля на вторичном рынке зависит не только от пробега, 
+но и от множества других факторов, таких как кол-во аварий, общего состояние автомобиля и экономической обстановке на рынке - 
+и эти фаткоры могут оказывать такое же существенное воздействие на конечную цену. Однако, можно сделать выводы по влиянию 
+пробега автомобиля на его стоимость и использовать это в дальнейшем при реализации задач.

malkova_anastasia_lab_3/cars.py

@@ -0,0 +1,30 @@
+import pandas as pd
+from sklearn.tree import DecisionTreeClassifier
+from sklearn.model_selection import train_test_split
+
+slice_size = 30000
+data = pd.read_csv('true_car_listings.csv', index_col='Vin')[:slice_size]
+
+unique_numbers = list(set(data['Model']))
+data['Model'] = data['Model'].apply(unique_numbers.index)
+
+clf = DecisionTreeClassifier(random_state=341)
+
+# Выбираем параметры
+Y = data['Price']
+X = data[['Mileage', 'Year', 'Model']]
+print(X)
+
+# Разделяем набор на тренировочные и тестовые данные
+X_train, X_test, y_train, y_test = train_test_split(
+    X, Y, test_size=0.2, random_state=42)
+
+# Запуск на тренировочных данных
+clf.fit(X_train, y_train)
+
+# Точность модели
+print(f'Score: {clf.score(X_test, y_test)}')
+
+# Значимость параметров
+importances = clf.feature_importances_
+print(f'Means {importances}')

malkova_anastasia_lab_3/titanic.py

@@ -0,0 +1,26 @@
+import pandas as pd
+from sklearn.tree import DecisionTreeClassifier
+from sklearn.model_selection import train_test_split
+
+data = pd.read_csv('titanic.csv', index_col='Passengerid')
+clf = DecisionTreeClassifier(random_state=241)
+
+# Выбираем параметры
+Y = data['2urvived']
+X = data[['Pclass', 'Age', 'Fare', ]]
+print(X)
+
+# Разделяем набор на тренировочные и тестовые данные
+X_train, X_test, y_train, y_test = train_test_split(
+    X, Y, test_size=0.05, random_state=42)
+
+# Запуск на тренировочных данных
+clf.fit(X_train, y_train)
+
+# Точность модели
+print(f'Score: {clf.score(X_test, y_test)}')
+
+# Значимость параметров
+importances = clf.feature_importances_
+print(f'Means: {importances}')
+

martysheva_tamara_lab_3/README.md

@@ -0,0 +1,43 @@
+# Лабораторная работа 3. Деревья решений
+### Вариант № 18
+Решите с помощью библиотечной реализации дерева решений задачу
+из лабораторной работы «Веб-сервис «Дерево решений» по предмету 
+«Методы  искусственного  интеллекта» на  99%  ваших  данных.  
+Проверьте работу модели на оставшемся проценте, сделайте вывод.
+
+***
+## *Как запустить лабораторную работу:*
+Чтобы запустить программу, открываем файл lab3 в PyCharm и нажимаем на зеленый треугольник в правом верхнем углу.
+***
+## *Использованные технологии:*
+**Scikit-learn** - один из наиболее широко используемых пакетов Python для Data Science и Machine Learning. Он позволяет выполнять множество операций и предоставляет множество алгоритмов.
+
+**Pandas** — это библиотека с открытым исходным кодом, предоставляющая высокопроизводительные, простые в использовании структуры данных и инструменты анализа данных для языка программирования Python.
+
+***
+## *Что делает ЛР:*
+В данной работе анализируется работа дерева решений DecisionTreeClassifier и решается задача классификации ответчиков на регулярно занимающихся
+и не занимающихся физическими упражнениями на основе характеристик. Имеется набор данных (clean_data), 
+содержащий результаты опроса добровольцев на тему их состояния здоровья. Были выбраны 5 признаков: 
+* age - возраст респондента;
+* weight - вес респондента;
+* work - уровень физ. активности на работе;
+* phy_health - оценка состояния здоровья;
+* gymtime - время, проведенное в тренажерном зале.
+
+Среди них необходимо выявить 2 наиболее важных признака по целевой переменной exercise_reg - занимается или не занимается респондент физ. упражнениями, 
+построенной на основе признака phy_ex - оценка важности физических упражнений. Значение exercise_reg = 1, если значение phy_ex >= 7, и 0 - в остальных случаях.
+Необходимо обучить модель на 99% данных и оценить качество модели на оставшемся проценте.
+
+**Результатом работы программы** являются: вывод первых 15 строк подготовленных данных, вывод оценок важности признаков и вывод оценки качества модели (в консоли).
+***
+## *Пример выходных данных:*
+>Вывод в консоли:
+
+![](https://sun9-15.userapi.com/impg/Wq3qiVmaNYVI4CUX6SmFpRMJn3UZDJIbniFUMA/nsSbL7Xjcn4.jpg?size=492x421&quality=96&sign=772aa2b9ae8b708139b75a1ccc46d524&type=album)
+***
+**Вывод**: 
+
+Модель DecisionTreeClassifier выделила 2 наиболее важных параметра, а именно **вес** и **оценка важности физ. упражнений**, остальные
+признаки имеют минимальную значимость, однако возраст достаточно близок по оценке важности к весу. Оценка качества модели говорит о том, что 
+модель достаточно точно предсказывает классы для данных по характеристикам.

martysheva_tamara_lab_3/clean_data.csv

@@ -0,0 +1,262 @@
+"","ts","age","sex","work","phy_ff","phy_health","phy_bw","phy_ex","meal","height","weight","exercise","fruit","veg","cook","spend","income","gymtime","disease","review","rate"
+"2","2021-10-19 20:05:43",21,"Male","Moderate",7,8,6,7,"5",182.88,76,"Others",1,2,1,1000,50000,"Not at all","No","",4
+"3","2021-10-19 20:18:40",23,"Male","Moderate",6,9,8,8,"5",170.688,70,"Others",1,2,4,300,6500,"1 Hour","No","",5
+"4","2021-10-20 11:03:47",21,"Male","Moderate",7,6,7,8,"5+",182.88,77,"Walk, Run, Outdoor Games, Others",1,2,2,3000,50000,"Not at all","No","",5
+"5","2021-10-20 11:06:04",23,"Male","Moderate",6,9,8,8,"5",170.688,70,"Walk, Weight lifting, Outdoor Games, Others",0,2,3,500,6500,"1 Hour","No","It's really good.",5
+"6","2021-10-20 11:19:54",22,"Male","Moderate",2,2,2,2,"2",170.688,85,"Walk, Do not interested",1,1,1,0,100000,"Not at all","Nahi","",5
+"7","2021-10-20 11:44:06",22,"Male","Moderate",3,4,3,4,"5",182.88,101,"Run, Outdoor Games",0,3,1,500,35000,"Not at all","No","",5
+"8","2021-10-20 11:44:44",21,"Male","Moderate",9,9,10,8,"5",173.736,60,"Run, Outdoor Games",1,2,1,2000,50000,"Not at all","No","",5
+"9","2021-10-20 11:45:38",21,"Male","Hardwork",2,3,3,2,"4",155.448,55,"Walk",1,0,1,0,35000,"Not at all","No","",4
+"10","2021-10-20 11:46:49",21,"Male","Moderate",3,2,3,1,"5+",173.736,69,"Walk, Run, Outdoor Games",1,2,1,0,1000000,"Not at all","No","",4
+"11","2021-10-20 11:47:29",22,"Male","Moderate",6,7,10,10,"5",182.88,78,"Others",4,4,3,0,200000,"Not at all","No","Welcome",5
+"12","2021-10-20 11:48:16",23,"Male","Moderate",7,6,6,8,"5",176.784,65,"Walk, Run, Outdoor Games",4,4,2,1000,30000,"Not at all","No","",3
+"13","2021-10-20 11:48:28",21,"Male","Moderate",3,4,4,4,"4",170.688,80,"Others",1,2,0,0,150000,"Not at all","Cough and cold","It's nearly impossible for someone to know their exact family income. So that should have been in groups like 
+Below 10,000
+10,000-30,000
+30,000-60,000
+Above 60,000",3
+"14","2021-10-20 11:50:53",22,"Male","Moderate",4,6,7,5,"5",179.832,58,"Walk, Others",1,2,0,500,150000,"Not at all","Alopecia Totalis","",4
+"15","2021-10-20 11:55:03",26,"Male","Moderate",3,2,4,3,"4",158.496,53,"Outdoor Games, Others",0,2,1,0,50000,"Not at all","Cholesterol","",4
+"16","2021-10-20 11:57:30",22,"Male","Moderate",2,2,3,2,"5",173.736,72,"Walk, Outdoor Games",1,2,1,0,50000,"Not at all","Hyperthyroidism","",4
+"17","2021-10-20 12:01:13",23,"Male","Moderate",3,2,2,3,"4",182.88,72,"Run, Outdoor Games, Others",1,2,0,0,10000,"Not at all","No","",4
+"18","2021-10-20 12:04:42",23,"Male","Moderate",8,6,7,4,"5",125.2728,48,"Walk, Outdoor Games",1,3,1,0,5000,"Not at all","No","",4
+"19","2021-10-20 12:07:32",22,"Female","Moderate",1,4,4,1,"5+",161.544,72,"Walk, Others",1,2,3,0,50000,"Not at all","No","You should've given income range. ",3
+"20","2021-10-20 12:07:40",24,"Male","Moderate",7,5,10,10,"4",167.64,82,"Walk, Run, Weight lifting, Outdoor Games",1,3,0,2000,32000,"1 Hour","Asthma","Questionnaire forming is good",4
+"21","2021-10-20 12:15:47",22,"Male","Sedentary",4,7,7,5,"4",176.784,63,"Walk, Outdoor Games, Others",1,2,3,0,10000,"Not at all","Nope","",3
+"22","2021-10-20 12:20:34",22,"Male","Moderate",4,5,1,3,"5",176.784,71,"Walk, Run, Swim",1,2,5,0,26000,"Not at all","Stomach problems, basically Digestion problem.","much good",5
+"23","2021-10-20 12:25:37",21,"Male","Hardwork",3,4,4,3,"5",179.832,74,"Walk, Others",1,2,0,500,30000,"Not at all","Lower back pain","Home exercise should be considered in the fitness. Training option",4
+"24","2021-10-20 12:30:44",22,"Male","Moderate",7,10,10,10,"4",173.736,78,"Walk, Run, Weight lifting",0,2,1,1000,80000,"2 Hour","Common cold","Go ahead w your project . All the best .",4
+"25","2021-10-20 13:00:29",20,"Male","Moderate",7,5,7,6,"5",173.736,60,"Walk, Run, Outdoor Games",1,3,3,0,40000,"Not at all","no","",4
+"26","2021-10-20 13:01:48",23,"Male","Moderate",7,6,9,9,"4",188.976,78,"Run, Weight lifting",1,2,1,500,85000,"1 Hour","No","",5
+"27","2021-10-20 13:08:54",20,"Male","Moderate",5,4,8,5,"4",155.448,55,"Walk, Others",1,1,0,0,22500,"Not at all","Hyperthyroidism","",5
+"28","2021-10-20 13:17:33",23,"Male","Moderate",8,3,8,7,"4",176.784,70,"Walk, Run, Weight lifting",1,2,1,1000,5000,"Not at all","No","",5
+"29","2021-10-20 14:27:29",22,"Male","Hardwork",2,2,3,3,"5",155.7528,64,"Walk, Run, Swim",2,2,2,500,15000,"Not at all","Appendicitis","",5
+"30","2021-10-20 14:50:44",20,"Male","Moderate",8,8,6,9,"5",155.7528,95,"Walk",1,2,0,0,35000,"Not at all","No","",5
+"31","2021-10-20 14:53:47",21,"Male","Moderate",3,3,3,2,"2",179.832,65,"Walk, Outdoor Games",1,2,1,0,0,"Not at all","No","",3
+"32","2021-10-20 14:56:35",21,"Male","Moderate",2,5,6,2,"5",164.592,52,"Walk, Run, Swim",4,4,0,500,40000,"Not at all","Cold","It's a good experience",5
+"33","2021-10-20 15:02:49",21,"Male","Moderate",3,4,1,3,"2",179.832,95,"Walk",1,1,2,0,80000,"Not at all","No","",5
+"34","2021-10-20 15:34:32",28,"Female","Hardwork",3,3,4,4,"4",121.92,40,"Walk, Run, Others",3,3,0,10000,50000,"More than 3 hours","Migraine","Thanks",5
+"35","2021-10-20 15:36:13",24,"Male","Sedentary",3,3,2,2,"5",158.496,50,"Run, Outdoor Games",1,2,1,100,30000,"Not at all","No","",4
+"36","2021-10-20 15:41:09",22,"Male","Moderate",4,6,8,4,"4",164.592,88,"Do not interested",0,3,1,300,16000,"Not at all","No","I would specify there should be an others section in gender .",4
+"37","2021-10-20 15:54:06",22,"Female","Moderate",2,4,3,2,"5",164.592,65,"Dance",2,2,1,0,35000,"Not at all","No","Interesting ",4
+"38","2021-10-20 17:17:30",18,"Female","Hardwork",3,2,4,3,"5",170.688,56,"Walk, Others",2,3,0,5000,2200000,"1 Hour","No","",5
+"39","2021-10-20 19:16:57",23,"Male","Moderate",6,9,10,10,"4",179.832,84,"Weight lifting, Outdoor Games",0,1,2,2000,30000,"2 Hour","No","Good",4
+"40","2021-10-20 21:04:27",22,"Male","Moderate",3,3,4,3,"5",173.736,90,"Run",3,3,1,500,40000,"Not at all","No","",5
+"41","2021-10-21 09:01:29",21,"Male","Moderate",5,7,6,4,"5+",155.448,95,"Do not interested",0,4,2,0,35500,"Not at all","Weak Stomach","",4
+"42","2021-10-21 09:20:34",20,"Male","Moderate",9,8,10,10,"5+",155.7528,70,"Walk, Outdoor Games, Others",3,4,4,200,5000,"Not at all","No","",5
+"43","2021-10-21 11:24:37",21,"Female","Sedentary",5,5,5,5,"5",161.544,49,"Dance",2,4,3,100,20000,"Not at all","No","No ",5
+"44","2021-10-23 18:45:38",21,"Male","Moderate",7,5,6,7,"4",182.88,72,"Outdoor Games",0,3,3,0,11000,"Not at all","no","",5
+"45","2021-10-23 23:17:57",22,"Male","Moderate",7,2,9,10,"5+",173.736,60,"Walk, Run, Outdoor Games, Others",2,3,1,3000,27000,"1 Hour","No","",5
+"46","2021-10-20 11:25:38",24,"Male","Moderate",2,2,3,3,"4",173.736,73,"Others",0,1,1,1000,12000,"Not at all","No","",4
+"47","2021-10-20 11:26:15",24,"Female","Moderate",2,3,2,3,"5",164.592,69,"Walk, Dance, Outdoor Games, Others",0,2,1,0,10000,"Not at all","No","",3
+"48","2021-10-20 11:30:49",20,"Male","Hardwork",5,10,10,10,"5",167.64,70,"Walk, Run",3,5,5,0,30000,"Not at all","No","Very goodod survey it was.",5
+"49","2021-10-20 11:39:07",20,"Male","Moderate",3,3,2,1,"5+",155.7528,85,"Walk, Weight lifting",1,2,1,200,90000,"Not at all","No","✌🏻",5
+"50","2021-10-20 11:39:28",20,"Male","Moderate",2,2,4,4,"4",170.688,58,"Walk, Weight lifting, Others",1,2,0,0,10000,"1 Hour","Sinusitis ","",3
+"51","2021-10-20 11:39:41",21,"Male","Hardwork",9,8,9,9,"3",182.88,85,"Walk, Outdoor Games",4,4,4,2000,0,"2 Hour","No","Thanks",5
+"52","2021-10-20 11:41:26",25,"Male","Moderate",5,6,7,6,"5",164.592,55,"Walk, Run",1,2,1,200,20000,"Not at all","No","",2
+"53","2021-10-20 11:43:39",23,"Male","Moderate",2,3,4,4,"5",164.592,48,"Walk, Outdoor Games",0,1,2,1000,35000,"1 Hour","Pancriatitis","",4
+"54","2021-10-20 11:43:48",21,"Male","Moderate",10,5,10,8,"5",180.4416,90,"Walk, Outdoor Games",1,4,2,0,45000,"Not at all","No","",5
+"55","2021-10-20 11:44:26",21,"Male","Moderate",2,2,3,3,"5",182.88,76,"Swim",0,1,1,1000,30000,"Not at all","No","",5
+"56","2021-10-20 11:47:21",22,"Female","Sedentary",6,9,10,6,"4",170.688,60,"Walk",1,3,1,0,150000,"Not at all","No","",3
+"57","2021-10-20 11:47:38",23,"Male","Moderate",1,1,2,1,"5",167.64,70,"Walk",0,1,0,0,10000,"Not at all","No","",3
+"58","2021-10-20 11:48:08",23,"Female","Moderate",3,1,3,3,"5+",152.4,65,"Others",1,3,0,500,50000,"1 Hour","PCOS","",4
+"59","2021-10-20 11:51:59",20,"Female","Moderate",5,4,3,2,"5",155.448,60,"Walk",2,3,1,200,7000,"Not at all","No","",4
+"60","2021-10-20 11:52:34",23,"Female","Hardwork",2,2,2,2,"5",152.4,51,"Dance",1,1,2,500,20000,"Not at all","No","Eat healthy stay healthy ",4
+"61","2021-10-20 11:54:14",26,"Male","Moderate",3,1,3,3,"5",167,63,"Walk",0,1,1,0,3600,"Not at all","No","",4
+"62","2021-10-20 11:54:31",18,"Female","Hardwork",2,2,2,1,"4",176.784,57,"Walk, Run, Outdoor Games",1,1,1,2300,56000,"Not at all","No","",5
+"63","2021-10-20 11:54:41",56,"Male","Hardwork",4,4,4,4,"5+",152.4,65,"Dance",3,3,3,25000,300000,"3 Hours","No","Yes",5
+"64","2021-10-20 11:57:15",23,"Male","Sedentary",7,9,9,8,"3",185.928,56,"Outdoor Games, Others",0,2,2,0,180000,"Not at all","No","Thank you",4
+"65","2021-10-20 11:58:30",24,"Female","Moderate",7,7,9,8,"4",164.592,65,"Walk, Outdoor Games, Others",2,2,1,500,20000,"Not at all","No","",4
+"66","2021-10-20 11:59:36",20,"Male","Moderate",10,10,10,10,"2",173.736,71.4,"Weight lifting",2,3,1,3000,40000,"2 Hour","No","Pretty good survey ",4
+"67","2021-10-20 11:59:42",20,"Male","Hardwork",2,1,1,3,"5",155.7528,65,"Swim",1,2,2,2500,100000,"3 Hours","No","",5
+"68","2021-10-20 11:59:49",18,"Female","Moderate",5,10,5,7,"5",164.592,56,"Run, Dance, Outdoor Games",1,3,1,500,400000,"Not at all","No.","",4
+"69","2021-10-20 12:00:54",24,"Male","Moderate",3,2,2,3,"5",173.736,69,"Walk, Run, Outdoor Games, Others",1,2,1,1500,25000,"Not at all","no","",4
+"70","2021-10-20 12:01:03",20,"Female","Moderate",3,4,3,2,"5",164.592,45,"Walk",3,1,3,2500,40000,"Not at all","Thyroid ","",5
+"71","2021-10-20 12:03:22",21,"Male","Hardwork",2,2,4,4,"4",170.688,85,"Walk",1,2,1,0,5009,"Not at all","No","Excellent",5
+"72","2021-10-20 12:06:20",21,"Male","Hardwork",4,2,4,4,"4",182.88,80,"Run, Swim, Outdoor Games",1,3,3,1000,50000,"Not at all","no","",5
+"73","2021-10-20 12:06:21",23,"Female","Moderate",9,6,8,8,"5",152.4,54,"Walk, Dance, Others",1,3,1,700,50000,"Not at all","No","",4
+"74","2021-10-20 12:06:58",22,"Male","Moderate",7,8,10,9,"4",167.64,56,"Walk, Others",1,4,1,300,8000,"Not at all","Yes, gastric","",4
+"75","2021-10-20 12:08:13",20,"Female","Moderate",2,1,2,3,"4",146.304,50,"Walk",1,2,0,500,5000,"Not at all","PCOD ","",5
+"76","2021-10-20 12:08:20",23,"Male","Moderate",6,3,10,10,"5+",176.784,70,"Walk, Weight lifting",1,2,1,3000,35000,"1 Hour","Crohn's disease","",4
+"77","2021-10-20 12:09:33",24,"Female","Moderate",7,10,10,9,"5",161.544,38,"Others",1,3,1,3000,14000,"Not at all","No","Interesting survey..",5
+"78","2021-10-20 12:10:50",21,"Female","Moderate",7,4,9,6,"4",170.688,58,"Walk",0,2,1,0,40000,"Not at all","No","",4
+"79","2021-10-20 12:11:02",21,"Female","Sedentary",2,3,3,3,"5+",161.544,49,"Others",2,1,1,1000,70000,"Not at all","Anemia","It's ammezing",4
+"80","2021-10-20 12:11:30",23,"Female","Moderate",7,10,9,8,"5",161.544,70,"Walk",1,2,1,2500,35000,"2 Hour","Diabetes","",5
+"81","2021-10-20 12:11:46",25,"Male","Hardwork",8,7,9,10,"5",176.784,60.2,"Walk, Run",4,3,4,250,32500,"Not at all","Back pain.","Please correct some spelling mistakes and write the meaning of each ratings. It will be helpful for the respondents. 
+A little suggestion: try to put more questions about time of exercise, type of exercises, food habits etc. 
+Wishing you a great success in this survey as well as analysis. ",3
+"82","2021-10-20 12:11:49",20,"Female","Sedentary",2,2,2,2,"5",161.544,56,"Walk",1,1,1,3000,140000,"Not at all","no","",4
+"83","2021-10-20 12:11:54",20,"Female","Sedentary",2,1,1,3,"4",167.64,55,"Walk",1,2,2,1500,50000,"1 Hour","No","Good.",5
+"84","2021-10-20 12:13:57",21,"Male","Moderate",2,2,4,3,"5",161.544,70,"Walk, Outdoor Games",2,2,1,100,15000,"Not at all","No","",5
+"85","2021-10-20 12:18:59",21,"Male","Hardwork",3,4,3,2,"4",179.832,82,"Others",1,1,0,0,40000,"Not at all","sneezing","Nice",4
+"86","2021-10-20 12:19:37",20,"Female","Sedentary",2,10,10,10,"5+",164.592,65,"Walk, Dance",1,2,1,2500,60000,"2 Hour","No","Very good",4
+"87","2021-10-20 12:20:00",24,"Female","Moderate",7,9,9,8,"4",155,45,"Walk",3,4,1,200,100000,"Not at all","Psoriasis","",4
+"88","2021-10-20 12:24:37",23,"Female","Moderate",8,5,6,7,"4",173.4312,51,"Walk",1,5,2,500,40000,"Not at all","No","",4
+"89","2021-10-20 12:30:14",26,"Female","Hardwork",3,2,4,4,"5",164.592,56,"Walk, Others",2,3,1,1000,100000,"Not at all","No","Hope your study completes soon, and come out with good result.",4
+"90","2021-10-20 12:34:50",25,"Female","Moderate",4,4,4,3,"4",167.64,53,"Walk",0,2,3,3000,0,"Not at all","No ","",3
+"91","2021-10-20 12:35:23",23,"Male","Moderate",8,2,10,10,"5+",176.784,64,"Weight lifting",1,2,2,3000,80000,"2 Hour","No","",4
+"92","2021-10-20 12:40:53",21,"Female","Moderate",5,4,4,8,"5",152.4,51,"Others",2,3,4,1000,30000,"2 Hour","No","Very good",5
+"93","2021-10-20 12:45:36",24,"Male","Hardwork",5,5,5,4,"4",173.736,56,"Walk",1,1,2,3000,200000,"Not at all","No","❤️",5
+"94","2021-10-20 12:50:18",25,"Female","Moderate",2,3,1,1,"4",155.448,49,"Walk, Dance",0,1,1,0,400000,"Not at all","No","",5
+"95","2021-10-20 12:53:40",21,"Male","Moderate",9,1,9,9,"3",173.736,70,"Outdoor Games",0,4,2,1000,20000,"2 Hour","No","",4
+"96","2021-10-20 12:55:11",20,"Female","Moderate",7,8,10,7,"4",152.4,38,"Walk",3,2,5,500,6000,"Not at all","No","",5
+"97","2021-10-20 12:57:19",26,"Female","Moderate",4,2,4,3,"5",161.544,55,"Walk, Run",1,3,0,500,90000,"1 Hour","No","",5
+"98","2021-10-20 12:57:36",20,"Male","Hardwork",4,3,4,4,"5",182.88,77,"Run, Weight lifting",2,3,3,500,45000,"3 Hours","No","Very good",5
+"99","2021-10-20 12:59:28",30,"Male","Moderate",9,2,7,7,"4",170.688,60,"Walk",1,4,1,0,35000,"Not at all","No","Na",4
+"100","2021-10-20 12:59:29",24,"Female","Hardwork",3,4,3,3,"5",152.4,46,"Walk, Dance, Swim",1,2,1,100,30000,"Not at all","Ni","Good initiative",5
+"101","2021-10-20 13:04:42",23,"Female","Moderate",1,2,1,3,"4",149.352,57,"Do not interested",0,1,0,0,35000,"Not at all","No","Great questionnaire",5
+"102","2021-10-20 13:05:49",22,"Male","Hardwork",4,3,4,4,"5",176.784,69,"Run, Weight lifting, Outdoor Games",1,3,1,1500,500000,"1 Hour","NO ","",5
+"103","2021-10-20 13:05:51",24,"Male","Moderate",2,1,2,2,"5",176.784,70,"Run",0,1,0,0,10000,"Not at all","No","",5
+"104","2021-10-20 13:10:16",22,"Male","Moderate",2,3,3,1,"5+",173.736,60,"Walk",2,2,2,500,7000,"Not at all","Cough and cold ","",5
+"105","2021-10-20 13:19:48",20,"Female","Moderate",6,10,7,5,"5",176.784,57,"Walk, Run, Dance",3,5,1,0,15000,"Not at all","No","",3
+"106","2021-10-20 13:20:27",22,"Male","Moderate",1,4,3,3,"5",173.736,65,"Walk",1,2,1,0,50000,"Not at all","No","",3
+"107","2021-10-20 13:21:21",24,"Female","Moderate",2,4,4,4,"4",167.64,58,"Walk",3,3,1,1000,80000,"Not at all","No","",5
+"108","2021-10-20 13:26:17",22,"Female","Moderate",7,9,10,8,"5",152.4,48,"Do not interested",0,2,4,1000,20000,"Not at all","No","",5
+"109","2021-10-20 13:26:48",24,"Male","Hardwork",8,8,10,2,"4",172.5168,47,"Walk",0,3,4,0,8000,"Not at all","No","Good",4
+"110","2021-10-20 13:27:14",26,"Male","Moderate",4,2,3,3,"5",176.784,72,"Walk, Run, Outdoor Games, Others",3,3,1,100,25000,"Not at all","No","",4
+"111","2021-10-20 13:29:56",20,"Male","Moderate",2,3,2,1,"2",152.4,58,"Walk, Run",0,1,2,400,10000,"Not at all","Vomiting","It's a very good idea for health concern",5
+"112","2021-10-20 13:37:24",20,"Male","Moderate",2,3,3,3,"3",167.64,67.5,"Walk, Run",0,1,1,0,3000,"Not at all","No","Yeah this is a good thing to do anylysis data",3
+"113","2021-10-20 13:37:24",23,"Female","Moderate",2,3,2,1,"5",161.544,62,"Do not interested",0,1,2,500,15000,"Not at all","No","",5
+"114","2021-10-20 13:38:30",25,"Male","Moderate",2,1,3,2,"3",173.736,65,"Walk",1,2,0,3000,60000,"Not at all","No","",4
+"115","2021-10-20 13:43:32",21,"Male","Moderate",7,9,9,10,"5+",173.736,68,"Swim, Outdoor Games",3,4,3,500,7000,"Not at all","No","",4
+"116","2021-10-20 13:49:25",19,"Female","Hardwork",3,2,4,3,"5+",161.544,57,"Walk",1,2,1,500,25000,"Not at all","No","",4
+"117","2021-10-20 13:59:13",24,"Female","Moderate",7,9,9,10,"4",164.592,65,"Dance",2,4,1,0,25000,"Not at all","No","",4
+"118","2021-10-20 14:03:25",20,"Female","Moderate",3,4,2,4,"5",161.544,65,"Walk",1,2,3,7000,30000,"2 Hour","No","",5
+"119","2021-10-20 14:05:11",23,"Female","Sedentary",3,2,1,1,"4",170.688,53,"Weight lifting, Outdoor Games",0,0,0,0,10000,"Not at all","No","",5
+"120","2021-10-20 14:13:12",22,"Female","Moderate",2,4,3,4,"4",152.4,43,"Others",0,1,0,200,10000,"Not at all","Spondilytis, dry eyes, pcos","",4
+"121","2021-10-20 14:15:36",20,"Female","Moderate",4,2,4,4,"5+",158.496,50,"Others",1,1,2,0,65000,"Not at all","No","",4
+"122","2021-10-20 14:17:26",20,"Female","Moderate",2,4,3,3,"4",164.592,50,"Dance",1,1,2,1000,5000,"Not at all","No","",4
+"123","2021-10-20 14:19:59",20,"Male","Moderate",5,6,8,7,"5+",167.64,75,"Walk",2,4,5,0,17000,"Not at all","No","",4
+"124","2021-10-20 14:20:30",19,"Female","Moderate",6,10,10,7,"5",124.968,36,"Walk, Run, Outdoor Games",4,4,4,1600,4000,"Not at all","No","Necessary survey ",4
+"125","2021-10-20 14:21:06",19,"Female","Moderate",9,1,7,8,"5",161.544,43.5,"Walk, Run",1,2,0,2000,45000,"1 Hour","No","",4
+"126","2021-10-20 14:21:55",26,"Male","Moderate",7,8,6,8,"4",173.736,65,"Walk",0,2,1,1000,50000,"Not at all","No","",4
+"127","2021-10-20 14:22:58",19,"Male","Hardwork",2,4,1,1,"5",179.832,72,"Run, Outdoor Games",1,2,1,1000,20000,"Not at all","No","Thank you,your survey form really helps me to evaluate my daily meals and it also helps me to put emphasis on  how I utilize them in exercise and outdoor games...",5
+"128","2021-10-20 14:31:29",19,"Male","Hardwork",8,10,10,10,"4",161.544,85,"Outdoor Games",1,5,0,0,70000,"Not at all","Yes ( Cough )","",5
+"129","2021-10-20 14:35:18",20,"Female","Moderate",1,3,2,2,"5",155.448,55,"Walk",1,1,1,0,10000,"Not at all","No.","Very good thing that you are doing, carry on. ",5
+"130","2021-10-20 14:37:02",26,"Female","Hardwork",3,3,3,4,"3",148,55,"Dance",1,2,2,500,30000,"Not at all","No","",3
+"131","2021-10-20 14:37:48",26,"Female","Moderate",6,10,10,7,"5",161.544,73,"Walk",1,3,1,1000,46000,"Not at all","PCOS","",4
+"132","2021-10-20 14:39:32",24,"Female","Hardwork",9,8,9,6,"5",161.544,60,"Walk",1,4,2,0,30000,"Not at all","No","Great project idea. Please share with me the end results. ",5
+"133","2021-10-20 14:39:44",19,"Male","Hardwork",2,2,3,3,"4",170.688,74,"Walk, Outdoor Games",1,2,0,0,60000,"Not at all","Noo","",4
+"134","2021-10-20 14:41:36",23,"Male","Hardwork",3,2,3,2,"5",179.832,63,"Walk",2,4,1,0,30000,"Not at all","Allergy","",4
+"135","2021-10-20 14:41:50",23,"Male","Moderate",8,4,2,9,"3",161.544,59,"Others",3,4,1,0,6000,"Not at all","No","-",4
+"136","2021-10-20 14:44:52",22,"Male","Hardwork",2,1,1,3,"3",164.592,54,"Walk, Others",0,2,1,1000,20000,"1 Hour","No","This survey is realy very good.",5
+"137","2021-10-20 14:48:20",20,"Male","Moderate",2,4,3,3,"5",176.784,52,"Walk, Outdoor Games, Others",1,2,2,1000,60000,"Not at all","Allergy","",4
+"138","2021-10-20 14:52:01",20,"Male","Hardwork",5,6,6,10,"5",176.784,85,"Walk, Run, Weight lifting, Others",5,4,5,4000,50000,"2 Hour","Allergy","",3
+"139","2021-10-20 14:52:34",26,"Male","Moderate",5,10,10,5,"4",167.64,68,"Walk",1,1,2,2000,300000,"Not at all","No","",5
+"140","2021-10-20 14:55:26",19,"Female","Sedentary",4,3,4,4,"5",170.688,55,"Walk, Others",2,3,0,200,7000,"Not at all","Yes, common cold disease ","",5
+"141","2021-10-20 14:55:38",23,"Male","Sedentary",7,5,5,7,"4",152.4,52,"Walk, Run, Swim",1,2,1,0,40000,"Not at all","No","That's amazing. ",4
+"142","2021-10-20 14:59:25",20,"Female","Moderate",3,3,1,3,"4",161.544,50,"Walk, Dance",2,2,1,0,5000,"Not at all","No","",4
+"143","2021-10-20 15:03:55",24,"Male","Hardwork",10,5,9,10,"5",176.784,68,"Run, Weight lifting, Others",3,4,4,0,5000,"1 Hour","N0","",4
+"144","2021-10-20 15:11:01",22,"Male","Hardwork",5,6,9,9,"5",155.7528,66,"Walk, Run, Weight lifting",1,0,1,4000,32000,"1 Hour","Yes.Irritable bowel syndrome.(IBS)","You should what do you do for mental health.As that's very important now days.",4
+"145","2021-10-20 15:17:51",25,"Male","Moderate",2,1,2,3,"4",179.832,64,"Outdoor Games",1,2,1,1500,15000,"Not at all","No","",4
+"146","2021-10-20 15:23:11",21,"Male","Moderate",3,3,4,4,"5",157,55,"Run, Outdoor Games",1,2,2,1500,15000,"Not at all","No","Good",4
+"147","2021-10-20 15:23:32",20,"Male","Moderate",4,2,3,4,"5+",179.832,64,"Walk, Run, Dance, Swim, Outdoor Games",2,1,2,0,30000,"Not at all","No","",5
+"148","2021-10-20 15:27:02",20,"Male","Moderate",2,2,2,3,"5",170.688,56,"Walk, Run, Dance, Outdoor Games",1,1,1,2000,30000,"1 Hour","No","All the best!👍",5
+"149","2021-10-20 15:29:27",25,"Female","Hardwork",1,2,2,3,"5",161.544,45,"Walk",1,1,1,1500,4000,"Not at all","No","It's good",3
+"150","2021-10-20 15:34:22",20,"Female","Moderate",2,3,4,4,"5",152.4,45,"Do not interested",0,2,1,0,40000,"Not at all","Common  cold ","Very  good initiative to grow awareness among people about their health and nutrition. It will be very helpful to our country. ",3
+"151","2021-10-20 15:38:42",20,"Male","Moderate",10,3,10,10,"5",179.832,68,"Walk, Run, Outdoor Games",4,5,4,800,45000,"2 Hour","No ","No this is good , And cover all things",5
+"152","2021-10-20 15:46:20",20,"Female","Moderate",3,3,3,4,"5",152.4,46,"Walk",2,2,2,1000,20000,"Not at all","No","",4
+"153","2021-10-20 15:49:53",21,"Male","Hardwork",8,10,10,10,"4",179.832,100,"Walk",0,2,5,0,3500,"Not at all","No","",4
+"154","2021-10-20 16:03:52",11,"Male","Hardwork",2,3,4,1,"1",140.208,59,"Others",3,0,3,2500,10000,"Not at all","Golblader stone","Good",3
+"155","2021-10-20 16:09:56",26,"Male","Moderate",10,5,10,10,"5",170.688,56,"Walk",4,5,4,5000,20000,"Not at all","No","",3
+"156","2021-10-20 16:14:17",24,"Male","Moderate",9,2,9,9,"5+",155.448,78,"Walk, Run, Outdoor Games",1,4,0,500,50000,"Not at all","No","Best of luck for your survey . Especially thanks for choosing such a beautiful and important topic .",4
+"157","2021-10-20 16:17:57",24,"Male","Moderate",6,3,6,5,"4",173.736,76,"Walk, Run, Others",1,2,0,5000,25000,"Not at all","NO","",4
+"158","2021-10-20 16:29:20",23,"Female","Moderate",1,3,1,2,"4",158.496,51,"Others",1,1,0,0,40000,"Not at all","No","",4
+"159","2021-10-20 16:43:42",24,"Male","Moderate",3,4,4,4,"4",179.832,74,"Walk, Others",1,3,0,0,70000,"Not at all","No","",4
+"160","2021-10-20 16:44:39",24,"Female","Moderate",2,2,4,3,"5",152.4,42,"Dance",1,3,0,2500,40000,"Not at all","No","",4
+"161","2021-10-20 16:51:57",23,"Male","Moderate",3,2,4,3,"4",170.688,60,"Weight lifting",1,3,0,100,80000,"Not at all","No","",4
+"162","2021-10-20 17:17:00",23,"Female","Moderate",3,2,3,3,"5",155.448,52,"Others",1,2,1,500,25000,"Not at all","No","",3
+"163","2021-10-20 17:22:02",22,"Male","Moderate",3,1,4,4,"2",155.7528,75,"Run, Outdoor Games",2,3,1,2000,30000,"Not at all","0","",5
+"164","2021-10-20 17:26:59",23,"Male","Moderate",2,4,4,4,"4",170.688,73,"Others",0,2,0,400,30000,"1 Hour","No","",5
+"165","2021-10-20 17:33:34",24,"Male","Moderate",2,3,3,4,"4",161.544,59,"Run, Others",1,2,2,500,30000,"Not at all","No","",3
+"166","2021-10-20 17:49:15",23,"Male","Moderate",4,5,10,8,"5",158.496,48,"Walk",0,2,2,0,40000,"Not at all","Yes, IBS","",4
+"167","2021-10-20 17:51:59",25,"Male","Moderate",9,7,8,9,"4",179.832,59,"Outdoor Games, Others",1,2,1,1000,5000,"Not at all","No","",4
+"168","2021-10-20 18:19:11",20,"Male","Moderate",2,3,2,3,"5+",173.736,62,"Run",1,1,1,0,80000,"Not at all","No","The level of questions is very good",5
+"169","2021-10-20 18:19:23",19,"Male","Moderate",4,10,6,8,"2",167.64,58,"Walk",4,1,1,0,4000,"Not at all","Allergies and cold","Ok",4
+"170","2021-10-20 18:36:03",24,"Female","Hardwork",9,5,10,10,"4",161.544,49,"Walk, Dance, Others",3,5,3,2000,15000,"Not at all","No","According to me there is a need of a option for writing.",4
+"171","2021-10-20 19:14:24",22,"Male","Moderate",6,5,10,10,"5",167.64,49,"Walk, Run, Swim, Others",1,4,1,400,4000,"Not at all",NA,"",5
+"172","2021-10-20 19:18:21",22,"Male","Moderate",10,6,10,10,"5+",173.736,58,"Walk",1,3,1,1000,9000,"1 Hour","No","",5
+"173","2021-10-20 19:22:57",23,"Male","Hardwork",8,4,8,6,"4",170.688,60,"Outdoor Games",0,5,1,3000,36000,"Not at all","No","No comments",5
+"174","2021-10-20 19:53:38",20,"Female","Hardwork",3,4,3,3,"5+",164.592,51,"Walk, Run, Dance, Swim, Outdoor Games",1,2,2,0,40000,"Not at all","No","",3
+"175","2021-10-20 20:21:07",21,"Female","Moderate",8,5,9,10,"5",164.592,46,"Walk, Dance, Outdoor Games, Others",1,3,1,1000,20000,"Not at all","No","Very good",5
+"176","2021-10-20 20:53:23",20,"Male","Hardwork",4,2,3,2,"5",182.88,65,"Walk, Swim, Others",1,1,2,0,12000,"1 Hour","No","Plase provide gym in free of cost...",4
+"177","2021-10-20 21:39:14",23,"Female","Moderate",4,3,4,4,"5",155.448,48,"Walk, Run, Dance",3,3,1,2000,40000,"Not at all","No","",4
+"178","2021-10-20 21:53:49",25,"Male","Moderate",3,4,4,4,"4",155.448,61,"Walk, Others",1,2,0,500,30000,"Not at all","No","",4
+"179","2021-10-20 22:16:48",22,"Female","Moderate",5,6,5,5,"5",158.496,46,"Walk, Not interested",0,2,1,0,15000,"Not at all","No","",5
+"180","2021-10-20 22:40:52",25,"Male","Moderate",8,3,10,9,"5",161,70,"Walk, Outdoor Games, Others",1,3,0,500,50000,"Not at all","No","",4
+"181","2021-10-20 22:43:02",30,"Male","Moderate",3,2,3,4,"4",173.736,71,"Walk, Weight lifting",1,3,0,0,1,"1 Hour","No","",4
+"182","2021-10-20 22:48:11",26,"Male","Moderate",7,1,1,10,"4",176.784,64,"Walk",1,2,1,0,25000,"Not at all","No","",5
+"183","2021-10-20 23:11:42",18,"Female","Moderate",3,4,3,3,"5",158.496,45,"Not interested",0,3,0,0,100000,"Not at all","No","",4
+"184","2021-10-21 01:18:23",19,"Male","Moderate",9,7,8,8,"4",170.688,68,"Walk, Run, Outdoor Games, Others",4,5,3,500,10000,"1 Hour","No","Great",5
+"185","2021-10-21 07:40:38",24,"Female","Moderate",8,6,9,9,"5",161.544,52,"Walk, Dance, Others",3,5,1,0,20000,"Not at all","No","",4
+"186","2021-10-21 07:53:59",23,"Male","Moderate",1,2,1,1,"4",173.736,77,"Run",0,1,0,1200,6500,"1 Hour","No","",2
+"187","2021-10-21 08:09:26",21,"Male","Sedentary",1,3,2,1,"2",170.688,69,"Not interested",0,1,2,0,700000,"Not at all","Tooth decaying","",4
+"188","2021-10-21 08:30:38",21,"Male","Moderate",6,8,10,9,"5",160.02,50.3,"Walk",0,2,0,0,9000,"Not at all","No","",5
+"189","2021-10-21 08:31:39",26,"Male","Moderate",3,1,2,3,"4",167.64,72,"Weight lifting, Others",1,2,0,200,20000,"2 Hour","Dust Allergy","",4
+"190","2021-10-21 08:50:57",22,"Male","Hardwork",9,4,8,10,"4",173.736,75,"Others",3,5,2,1200,30000,"1 Hour","No","Nothing",5
+"191","2021-10-21 09:46:34",22,"Male","Moderate",3,4,4,3,"5",173.736,70,"Walk, Run, Weight lifting",1,3,1,800,1500000,"2 Hour","No","",3
+"192","2021-10-21 10:02:50",22,"Male","Moderate",6,3,10,8,"3",173.736,75,"Run, Outdoor Games",0,2,0,0,10000,"Not at all","IBS ","",4
+"193","2021-10-21 10:07:33",22,"Male","Moderate",1,5,6,1,"5",179.832,64,"Walk, Swim",1,3,0,0,60000,"Not at all","No","Answering height should be on centemetre it's more reliable and accurate. Also in feet it requires to write as 5'9"" which i can't in your form so i had to write 5.9 which doesn't mean 5feet9inches at all.",3
+"194","2021-10-21 10:25:13",23,"Male","Moderate",3,2,4,4,"2",155.7528,88,"Walk",2,2,1,200,18000,"Not at all","High blood pressure","",5
+"196","2021-10-21 12:27:41",22,"Female","Moderate",2,4,3,3,"5",155.448,66,"Walk",1,3,0,1000,30000,"2 Hour","Headache","",5
+"197","2021-10-21 12:35:53",25,"Male","Sedentary",3,8,6,5,"4",188.976,110,"Walk",1,1,1,300,60000,"1 Hour","No","",3
+"198","2021-10-21 12:40:30",23,"Male","Hardwork",9,3,7,8,"3",179.832,73,"Walk, Run, Weight lifting, Outdoor Games",2,2,1,0,20000,"Not at all","No","",4
+"199","2021-10-21 13:03:39",21,"Male","Hardwork",2,1,2,3,"4",170.688,56,"Walk, Swim",1,2,0,100,15000,"Not at all","No","",4
+"200","2021-10-21 13:35:20",22,"Male","Hardwork",2,4,1,1,"5+",170.688,56,"Outdoor Games",3,3,1,200,300000,"Not at all","No","",4
+"201","2021-10-21 14:05:12",30,"Female","Moderate",3,3,3,3,"5",152.4,93,"Walk, Dance, Weight lifting",2,2,1,500,2000,"2 Hour","Rice","No",2
+"202","2021-10-21 15:37:13",42,"Male","Moderate",9,2,5,9,"5",182.88,99,"Walk, Others",1,3,0,1500,100000,"Not at all","High Cholesterol","",3
+"203","2021-10-21 15:43:06",23,"Male","Hardwork",9,7,10,8,"5",155.448,78,"Walk, Outdoor Games, Others",4,4,4,1000,35000,"Not at all","No","Good",4
+"204","2021-10-23 20:09:06",19,"Male","Hardwork",10,7,10,10,"5",155.448,72,"Run, Swim, Outdoor Games",1,2,3,0,20000,"Not at all","no","",5
+"205","2021-10-24 15:00:24",26,"Male","Moderate",7,5,7,10,"5",155.448,92,"Outdoor Games",2,4,3,1000,15000,"Not at all","No","Field study is a important to any research work...it's a process of data collection in a right way...keep it up...good job...",5
+"206","2021-10-25 15:33:06",24,"Female","Moderate",2,3,1,1,"4",170.688,57,"Walk",1,1,1,1500,15000,"Not at all","No","",4
+"207","2021-10-29 11:32:22",23,"Male","Moderate",6,5,8,6,"5",192.024,92,"Walk, Run",2,3,2,500,15000,"Not at all","No","",4
+"208","2021-10-29 11:33:31",31,"Male","Sedentary",10,5,2,2,"4",164.592,50,"Not interested",0,2,0,0,18000,"Not at all","No","Good",3
+"209","2021-10-29 11:34:03",27,"Male","Hardwork",2,1,3,2,"4",182.88,61.5,"Outdoor Games",1,2,0,1000,65000,"Not at all","No","Good question available here",3
+"210","2021-10-29 11:45:54",23,"Male","Hardwork",7,2,10,10,"5",164.592,55,"Walk",1,3,0,500,5000,"1 Hour","No","",4
+"211","2021-10-29 11:50:48",19,"Female","Moderate",7,5,9,8,"4",158.496,48,"Others",3,5,2,0,10000,"Not at all","No","Ok ",4
+"212","2021-10-29 11:57:06",24,"Male","Moderate",3,3,3,3,"4",179.832,63,"Walk",1,2,0,0,35000,"Not at all","No","",4
+"213","2021-10-29 11:57:07",20,"Male","Sedentary",3,3,3,2,"5",182,60,"Outdoor Games",0,0,1,2000,600000,"Not at all","No","",3
+"214","2021-10-29 11:57:43",20,"Male","Hardwork",4,1,1,1,"4",173.736,70,"Walk, Run, Weight lifting, Others",0,0,0,1000,36000,"1 Hour","Yes in runny nose👃💦","",5
+"215","2021-10-29 11:58:12",19,"Male","Moderate",6,6,8,5,"4",173.736,62,"Outdoor Games",1,4,3,0,40000,"Not at all","cold and cough ","",4
+"216","2021-10-29 11:58:24",20,"Male","Moderate",1,1,2,1,"4",170.688,85,"Run",1,2,1,2000,25000,"Not at all","Yes.Masturbation problem and general weakness ","",5
+"217","2021-10-29 11:58:43",21,"Male","Hardwork",4,2,4,4,"5",176.784,75,"Walk, Run",2,2,2,0,48000,"Not at all","Gas","",4
+"218","2021-10-29 12:02:07",18,"Female","Hardwork",4,3,4,4,"4",161.544,50,"Others",3,0,2,0,100000,"Not at all","No","",3
+"219","2021-10-29 12:04:10",22,"Male","Moderate",4,4,4,4,"5",173.736,74,"Outdoor Games",1,4,0,0,50000,"Not at all","No","",4
+"220","2021-10-29 12:05:30",20,"Female","Hardwork",3,3,4,4,"4",161.544,61,"Walk, Others",1,3,1,0,30000,"Not at all","No","I would really appreciate if you could share your project with us after finishing your analysis and inferences.",5
+"221","2021-10-29 12:09:32",20,"Male","Moderate",3,3,4,4,"4",170.688,70,"Walk, Run, Outdoor Games",2,3,2,200,50000,"Not at all","No","Good",5
+"222","2021-10-29 12:21:14",18,"Male","Moderate",3,3,3,3,"2",164.592,54,"Walk, Run, Outdoor Games, Others",1,2,1,500,30000,"Not at all","No","",4
+"223","2021-10-29 12:27:48",18,"Male","Sedentary",8,10,7,6,"5",167.64,65,"Walk, Run, Outdoor Games, Others",2,3,1,5000,550000,"Not at all","No","",5
+"225","2021-10-29 12:31:50",23,"Male","Moderate",6,7,8,9,"5",176.784,80,"Walk",2,3,4,300,30000,"Not at all","Yes, cold","",4
+"226","2021-10-29 12:32:20",17,"Female","Moderate",6,6,10,10,"5",161.544,64,"Dance, Others",1,2,0,500,60000,"Not at all","Ovary sist","",4
+"227","2021-10-29 12:34:51",17,"Female","Hardwork",7,6,7,10,"5+",158.496,36,"Dance",5,5,5,2500,35500,"Not at all","10","Good",5
+"228","2021-10-29 12:36:48",29,"Female","Hardwork",8,6,10,8,"5",158.496,50,"Others",2,5,2,500,30000,"Not at all","No","",4
+"229","2021-10-29 12:37:37",21,"Female","Moderate",1,3,1,3,"2",167.64,67,"Walk, Others",1,2,0,0,300000,"Not at all","Painful periods, digestion","",5
+"230","2021-10-29 12:49:09",18,"Male","Moderate",7,8,3,5,"4",167.64,57,"Walk",2,2,4,1500,20000,"Not at all","No","",5
+"231","2021-10-29 12:53:05",20,"Female","Moderate",6,7,3,8,"3",164.592,39,"Walk",0,2,0,0,50000,"Not at all","No","",5
+"232","2021-10-29 12:53:22",17,"Female","Hardwork",10,10,10,10,"5",152.4,40,"Walk",5,5,5,1000,21000,"1 Hour","No","",5
+"233","2021-10-29 12:53:23",24,"Male","Moderate",3,2,3,2,"4",167.64,64,"Walk",0,2,0,0,5600,"Not at all","No","",5
+"234","2021-10-29 13:00:06",18,"Male","Moderate",7,1,9,10,"5",179.832,58,"Weight lifting, Outdoor Games",1,2,0,4000,70000,"1 Hour","No","It's awesome",5
+"235","2021-10-29 13:13:19",20,"Female","Hardwork",7,9,9,10,"4",170.688,58,"Walk",2,3,0,1000,1560000,"1 Hour","Headache","",4
+"236","2021-10-29 13:21:48",27,"Male","Moderate",6,5,7,3,"5",173.736,65,"Walk, Others",0,4,3,0,240000,"Not at all","Allergy ","",4
+"237","2021-10-29 13:39:18",17,"Female","Hardwork",5,10,9,10,"4",167.64,59,"Walk, Dance",1,2,1,1000,100000,"Not at all","No","",5
+"238","2021-10-29 14:01:19",21,"Male","Hardwork",4,2,4,3,"4",176.784,67,"Walk, Run, Outdoor Games, Others",1,3,3,100,40000,"Not at all","No","",3
+"239","2021-10-29 14:02:08",30,"Male","Moderate",3,2,3,4,"5",176.784,82,"Run, Outdoor Games, Others",1,2,1,1200,50000,"Not at all","Cold, dust allergic ","Very good ",4
+"240","2021-10-29 17:22:09",19,"Female","Hardwork",4,4,4,4,"4",161.544,55,"Run",3,3,3,4000,80000,"2 Hour","No","Nothing",5
+"241","2021-10-29 19:40:14",19,"Male","Moderate",3,2,4,3,"4",155.448,66,"Walk, Run, Others",2,2,1,1000,50000,"Not at all","No","",3
+"242","2021-10-29 21:18:38",20,"Male","Moderate",6,10,7,6,"5",177,64,"Walk, Run, Outdoor Games, Others",0,1,1,0,21000,"Not at all","Nope","",5
+"243","2021-10-29 21:28:43",22,"Male","Moderate",3,1,3,3,"5+",155.448,64,"Others",1,1,1,450,60000,"Not at all","No","",4
+"244","2021-10-29 21:30:40",19,"Female","Hardwork",10,5,10,10,"5+",152.4,50,"Others",2,5,1,3000,30000,"Not at all","No","Thank you",5
+"245","2021-10-29 22:06:39",20,"Female","Moderate",3,4,4,4,"5+",149.352,45,"Dance",1,2,1,700,30000,"2 Hour","No","",4
+"246","2021-10-29 22:42:33",18,"Male","Hardwork",3,3,3,3,"5",167.64,49,"Walk, Run, Outdoor Games",2,2,2,1000,200000,"Not at all","No","Ok",3
+"247","2021-10-29 23:06:06",19,"Female","Hardwork",1,2,4,2,"5+",161.544,41,"Walk",2,2,1,0,600000,"Not at all","Anxiety, Depression","Try asking something about time of meal, will it help in your survey?!",5
+"248","2021-10-29 23:48:05",20,"Male","Moderate",9,6,10,8,"5",170.688,52,"Walk",1,3,0,1500,60000,"Not at all","No",".",4
+"249","2021-10-30 06:36:45",55,"Female","Sedentary",2,2,3,3,"4",167.64,64,"Walk, Others",1,2,0,500,15000,"Not at all","No","",3
+"250","2021-10-30 15:51:53",23,"Male","Hardwork",7,1,2,4,"4",182.88,78,"Walk, Run, Dance, Others",0,2,0,4000,30000,"Not at all","No","Work preference question is not clear to me. I consider it how hard working are you and answered.",4
+"251","2021-10-31 15:59:53",23,"Male","Moderate",4,3,3,4,"1",173.736,54,"Walk, Run, Swim",2,2,1,3000,20000,"1 Hour","No","",4
+"252","2021-10-31 16:12:34",23,"Male","Moderate",4,4,4,4,"4",164.592,65,"Others",2,1,2,0,12000,"Not at all","No","Nice project 👍",5
+"253","2021-11-01 10:52:26",30,"Male","Moderate",2,2,2,2,"3",176.784,70,"Walk",0,1,0,0,30000,"Not at all","Allergies","Ok",2
+"254","2021-11-02 07:36:14",19,"Male","Moderate",6,1,7,7,"3",167.64,78,"Run, Others",1,2,2,0,30000,"Not at all","No","",5
+"255","2021-11-06 10:46:54",21,"Female","Hardwork",2,1,2,2,"5+",167.64,56,"Walk",1,1,1,20,35500,"Not at all","asidity","",5
+"256","2021-11-06 14:14:40",21,"Female","Hardwork",1,1,1,1,"5+",167.64,56,"Walk",2,2,0,20,1000,"1 Hour","asidity","good",2
+"257","2021-11-06 15:07:09",21,"Female","Hardwork",2,1,3,2,"4",152.4,56,"Others",1,1,2,2000,15000,"Not at all","No","",5
+"258","2021-11-06 17:37:15",23,"Female","Moderate",3,2,3,2,"5",155.448,43,"Not interested",2,1,1,2000,50000,"Not at all","Yes, Hypothyroidism","",3

martysheva_tamara_lab_3/lab3.py

@@ -0,0 +1,47 @@
+import pandas
+import numpy as np
+from sklearn.tree import DecisionTreeClassifier
+from sklearn.model_selection import train_test_split
+from sklearn.metrics import accuracy_score
+
+#Данные
+data = pandas.read_csv('clean_data.csv')
+
+#Приведение строчных значений к числовым
+#work
+factorized_data_work, unique_values_work = pandas.factorize(data['work'])
+data['work'] = factorized_data_work
+#gymtime
+factorized_data_gymtime, unique_values_gymtime = pandas.factorize(data['gymtime'])
+data['gymtime'] = factorized_data_gymtime
+
+#Создание столбца exercise_reg
+data['exercise_reg'] = np.where(data['phy_ex'] >= 7, 1, 0)
+
+#Отбор нужных столбцов
+x = data[['age', 'weight', 'work', 'phy_health', 'gymtime']]
+
+#Определение целевой переменной
+y = data['exercise_reg']
+
+#Получение обучающей и тестовой выборки
+x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2)
+
+#Создание и обучение модели
+model = DecisionTreeClassifier()
+model.fit(x_train, y_train)
+
+#Прогнозирование на тестовом наборе
+y_pred = model.predict(x_test)
+
+#Оценка производительности модели
+accuracy = accuracy_score(y_test, y_pred)
+
+#Важности признаков
+importances_clf = model.feature_importances_
+
+#Вывод результатов
+print(x.head(15))
+print(importances_clf)
+print("Качество модели DecisionTreeClassifier: ", model.score(x_test, y_test))
+print("Качество классификации accuracy:", accuracy)

mashkova_margarita_lab_1/README.md

@@ -0,0 +1,59 @@
+# Лабораторная работа №1
+## ПИбд-42 Машкова Маргарита (Вариант 19)
+## Задание
+Cгенерировать определенный тип данных и сравнить  на  нем  3  модели  по  варианту.
+Построить графики, отобразить качество моделей, объяснить полученные результаты.
+
+### Данные: 
+> make_moons (noise=0.3, random_state=rs)
+
+### Модели:
+
+> - Линейная регрессия
+> - Полиномиальная регрессия (со степенью 5)
+> - Гребневая полиномиальная регрессия (со степенью 5, alpha= 1.0)
+
+## Запуск программы
+Для запуска программы необходимо запустить файл main.py
+
+## Используемые технологии
+> **Язык программирования:** python
+> 
+> **Библиотеки:**
+> - `matplotlib` - пакет для визуализации данных.
+> - `sklearn` - предоставляет широкий спектр инструментов для машинного обучения, статистики и анализа данных.
+## Описание работы программы
+
+Изначально генерируются синтетические данные Х и у для проведения экспериментов  при помощи функции `make_moons` с заданными параметрами.
+Функция `train_test_split` делит данные так, что тестовая выборка составляет 40% от исходного набора данных. 
+Разделение происходит случайным образом (т.е. элементы берутся из исходной выборки не последовательно).
+После чего для каждой из заданных по варианту моделей выполняются следующие действия:
+1. Создание модели с заданными параметрами.
+2. Обучение модели на исходных данных.
+3. Предсказание модели на тестовых данных.
+4. Оценка качества модели по 3 метрикам:
+
+* **Коэффициент детерминации**: метрика, которая измеряет, насколько хорошо модель соответствует данным. 
+Принимает значения от 0 до 1, где 1 означает идеальное соответствие модели данным, а значения ближе к 0 указывают на то, 
+что модель плохо объясняет вариацию в данных. Для вычисления коэффициента детерминации модели используется метод `score` библиотеки scikit-learn.
+
+* **Средняя абсолютная ошибка (MAE):** Для вычисления данной метрики используется метод `mean_absolute_error` библиотеки scikit-learn.
+* **Средняя квадратичная ошибка (MSE):** Для вычисления данной метрики используется метод `mean_squared_error` библиотеки scikit-learn.
+
+Последние 2 метрики измеряют разницу между предсказанными значениями модели и фактическими значениями. 
+Меньшие значения MAE и MSE указывают на лучшую производительность модели.
+
+Вычисленные значения метрик выводятся в консоль.
+
+После чего строятся графики, отображающие работу моделей. На первом графике отображаются ожидаемые результаты предсказания, 
+на остальных - предсказания моделей. Чем меньше прозрачных точек - тем лучше отработала модель.
+
+## Тесты
+
+![Вывод в консоли](console.png)
+
+![Графики](plots.png)
+ 
+**Вывод:** исходя из полученных результатов, схожую хорошую производительность имеют 
+линейная регрессия и гребневая полиномиальная регрессия. 
+Самую низкую производительность имеет полиномиальная регрессия.

mashkova_margarita_lab_1/main.py

@@ -0,0 +1,85 @@
+from random import randrange
+from sklearn.datasets import make_moons
+from sklearn.model_selection import train_test_split
+from sklearn.linear_model import LinearRegression
+from sklearn.preprocessing import PolynomialFeatures
+from sklearn.pipeline import make_pipeline
+from sklearn.linear_model import Ridge
+from sklearn.metrics import mean_absolute_error, mean_squared_error
+import matplotlib.pyplot as plt
+
+rs = randrange(42)
+
+# Генерация данных
+X, y = make_moons(noise=0.3, random_state=rs)
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.4, random_state=rs)
+
+# Линейная регрессия
+linear = LinearRegression()
+# Обучение модели
+linear.fit(X_train, y_train)
+# Предсказание на тестовых данных
+y_pred_linear = linear.predict(X_test)
+# Оценка модели на тестовых данных (коэффициент детерминации)
+linear_score = linear.score(X_test, y_test)
+# Оценка модели на тестовых данных (cредняя абсолютная ошибка)
+linear_mae = mean_absolute_error(y_test, y_pred_linear)
+# Оценка модели на тестовых данных (cредняя квадратичная ошибка)
+linear_mse = mean_squared_error(y_test, y_pred_linear)
+
+# Полиномиальная регрессия
+poly = make_pipeline(PolynomialFeatures(degree=5), LinearRegression())
+# Обучение модели
+poly.fit(X_train, y_train)
+# Предсказание на тестовых данных
+y_pred_poly = poly.predict(X_test)
+# Оценка модели на тестовых данных (коэффициент детерминации)
+poly_score = poly.score(X_test, y_test)
+# Оценка модели на тестовых данных (cредняя абсолютная ошибка)
+poly_mae = mean_absolute_error(y_test, y_pred_poly)
+# Оценка модели на тестовых данных (cредняя квадратичная ошибка)
+poly_mse = mean_squared_error(y_test, y_pred_poly)
+
+# Гребневая полиномиальная регрессия
+ridge = make_pipeline(PolynomialFeatures(degree=5), Ridge(alpha=1.0))
+# Обучение модели
+ridge.fit(X_train, y_train)
+# Предсказание на тестовых данных
+y_pred_ridge = ridge.predict(X_test)
+# Оценка модели на тестовых данных (коэффициент детерминации)
+ridge_score = ridge.score(X_test, y_test)
+# Оценка модели на тестовых данных (cредняя абсолютная ошибка)
+ridge_mae = mean_absolute_error(y_test, y_pred_ridge)
+# Оценка модели на тестовых данных (cредняя квадратичная ошибка)
+ridge_mse = mean_squared_error(y_test, y_pred_ridge)
+
+# Вывод оценки качества моделей в консоль
+print("Оценка качества предсказания моделей на тестовых данных:\n")
+
+print("Линейная регрессия:")
+print("Коэффициент детерминации: %f" % linear_score)
+print("Средняя абсолютная ошибка: %f" % linear_mae)
+print("Средняя квадратичная ошибка: %f\n" % linear_mse)
+
+print("Полиномиальная регрессия:")
+print("Коэффициент детерминации: %f" % poly_score)
+print("Средняя абсолютная ошибка: %f" % poly_mae)
+print("Средняя квадратичная ошибка: %f\n" % poly_mse)
+
+print("Гребневая полиномиальная регрессия:")
+print("Коэффициент детерминации: %f" % ridge_score)
+print("Средняя абсолютная ошибка: %f" % ridge_mae)
+print("Средняя квадратичная ошибка: %f\n" % ridge_mse)
+
+# Отображение графиков
+fig, axs = plt.subplots(1, 4, figsize=(15, 5))
+axs[0].set_title("Исходные тестовые данные")
+axs[0].scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap="bwr")
+axs[1].set_title("Линейная регрессия")
+axs[1].scatter(X_test[:, 0], X_test[:, 1], c=y_pred_linear, cmap="bwr")
+axs[2].set_title("Полиномиальная регрессия")
+axs[2].scatter(X_test[:, 0], X_test[:, 1], c=y_pred_poly, cmap="bwr")
+axs[3].set_title("Гребневая полиномиальная регрессия")
+axs[3].scatter(X_test[:, 0], X_test[:, 1], c=y_pred_ridge, cmap="bwr")
+plt.savefig('plots.png')
+plt.show()

mashkova_margarita_lab_2/README.md

@@ -0,0 +1,63 @@
+# Лабораторная работа №2
+## ПИбд-42 Машкова Маргарита (Вариант 19)
+## Задание
+Выполнить  ранжирование  признаков  с  помощью  указанных  по варианту моделей.
+Отобразить  получившиеся значения\оценки каждого признака  каждым  методом\моделью  и  среднюю  оценку.
+Провести  анализ получившихся  результатов.  Какие четыре признака  оказались  самыми важными  по  среднему  значению?
+
+### Модели:
+
+> - Линейная регрессия (LinearRegression)
+> - Гребневая регрессия (Ridge)
+> - Лассо (Lasso)
+> - Случайное Лассо (RandomizedLasso)
+
+
+> **Note**
+> 
+> Модель `RandomizedLasso` была признана устаревшей в scikit-learn 0.19 и удалена в 0.21.
+Вместо нее будет использоваться регрессор случайного леса `RandomForestRegressor`.
+
+
+## Запуск программы
+Для запуска программы необходимо запустить файл main.py
+
+## Используемые технологии
+> **Язык программирования:** python
+> 
+> **Библиотеки:**
+> - `numpy` - используется для работы с массивами.
+> - `sklearn` - предоставляет широкий спектр инструментов для машинного обучения, статистики и анализа данных.
+## Описание работы программы
+
+Для начала необходимо сгенерировать исходные данные (Х) - 750 строк-наблюдений и 14 столбцов-признаков.
+Затем задать функцию-выход (Y): регрессионную проблему Фридмана, когда на вход моделей подается 14 факторов, 
+выход рассчитывается по формуле, использующей только пять факторов, но факторы 11-14 зависят от факторов 1-4.
+Соотвественно, далее добавляется зависимость для признаков (факторов) х11, х12, х13, х14 от х1, х2, х3, х4.
+
+Далее создаются модели, указанные в варианте задания, и выполняется их обучение.
+
+После чего в единый массив размера 4×14 (количество_моделей и количество_признаков) выгружаются все оценки
+моделей по признакам. Находятся средние оценки и выводится результат в формате списка пар `{номер_признака – средняя_оценка}`,
+отсортированном по убыванию. Оценки признаков получаются через поле `coef_` у моделей LinearRegression, Ridge и Lasso.
+У модели RandomForestRegressor - через поле `feature_importances_`.
+Для удобства отображения данных оценки помещаются в конструкцию вида:
+`[имя_модели : [{имя_признака : оценка},{имя_признака : оценка}...]]`.
+Таким образом, получаем словарь, в котором располагаются 4 записи из четырнадцати пар каждая.
+Ключом является имя модели.
+
+## Тесты
+
+### Оценки важности признаков моделями
+![Оценки важности признаков моделями](ranks.png)
+### Оценки важности признаков моделями, отсортированные по убыванию
+![Оценки важности признаков моделями, отсортированные по убыванию](ranks_sorted.png)
+### Средние оценки важности признаков
+![Средние оценки важности признаков](means.png)
+ 
+**Вывод:** основываясь на средних оценках, четырьмя наиболее важными празнаками оказались: 
+`x4 (0.86), x1 (0.8), x2 (0.73), x14 (0.51)`.
+Все модели оценили как наиболее важные признаки  x1, x2, x4, и четвертым важным признаком выбрали зависимые признаки:
+LinearRegression - х11, Ridge - х14, RandomForestRegressor - х14. Модель Lasso включила также независимый признак - х5.
+
+

mashkova_margarita_lab_2/main.py

@@ -0,0 +1,100 @@
+from sklearn.linear_model import LinearRegression, Ridge, Lasso
+from sklearn.ensemble import RandomForestRegressor
+from sklearn.preprocessing import MinMaxScaler
+import numpy as np
+
+# Генерация исходных данных: 750 строк-наблюдений и 14 столбцов-признаков
+np.random.seed(0)
+size = 750
+X = np.random.uniform(0, 1, (size, 14))
+
+# Задаем функцию-выход: регрессионную проблему Фридмана
+Y = (10 * np.sin(np.pi * X[:, 0] * X[:, 1]) + 20 * (X[:, 2] - .5) ** 2 + 10 * X[:, 3] + 5 * X[:, 4] ** 5
+     + np.random.normal(0, 1))
+
+# Добавление зависимости признаков
+X[:, 10:] = X[:, :4] + np.random.normal(0, .025, (size, 4))
+
+# Создание моделей и их обучение
+# Линейная модель
+lr = LinearRegression()
+lr.fit(X, Y)
+# Гребневая модель
+ridge = Ridge(alpha=7)
+ridge.fit(X, Y)
+# Лассо
+lasso = Lasso(alpha=.05)
+lasso.fit(X, Y)
+# Регрессор случайного леса
+rfr = RandomForestRegressor()
+rfr.fit(X, Y)
+
+# Список, содержащий имена признаков
+names = ["x%s" % i for i in range(1, 15)]
+
+
+# Функция создания записи в словаре оценок важности признаков
+def rank_to_dict(ranks):
+    ranks = np.abs(ranks)
+    minmax = MinMaxScaler()
+    ranks = minmax.fit_transform(np.array(ranks).reshape(14, 1)).ravel()
+    ranks = map(lambda x: round(x, 2), ranks)
+    return dict(zip(names, ranks))
+
+
+# Словарь, содержащий оценки важности признаков
+ranks_dict = dict()
+# Добавление записей в словарь
+ranks_dict["Linear regression"] = rank_to_dict(lr.coef_)
+ranks_dict["Ridge"] = rank_to_dict(ridge.coef_)
+ranks_dict["Lasso"] = rank_to_dict(lasso.coef_)
+ranks_dict["Random Forest Regressor"] = rank_to_dict(rfr.feature_importances_)
+
+
+def print_ranks():
+    for key, value in ranks_dict.items():
+        print(key)
+        print(value)
+
+
+def print_ranks_sorted():
+    for key, value in ranks_dict.items():
+        print(key)
+        value_sorted = sorted(value.items(), key=lambda x: x[1], reverse=True)
+        print(value_sorted)
+
+
+def get_means():
+    # Создаем пустой список для средних оценок
+    mean = {}
+    for key, value in ranks_dict.items():
+        # Пробегаемся по словарю значений ranks, которые являются парой имя:оценка
+        for item in value.items():
+            # Имя будет ключом для нашего mean
+            # Если элемента с текущим ключом в mean нет - добавляем
+            if item[0] not in mean:
+                mean[item[0]] = 0
+            # Суммируем значения по каждому ключу-имени признака
+            mean[item[0]] += item[1]
+
+    # Находим среднее по каждому признаку
+    for key, value in mean.items():
+        res = value / len(ranks_dict)
+        mean[key] = round(res, 2)
+    # сортируем список
+    mean_sorted = sorted(mean.items(), key=lambda x: x[1], reverse=True)
+    return mean_sorted
+
+
+def print_means():
+    for item in get_means():
+        print(item)
+
+
+print("Оценки каждого признака каждой моделью:")
+print_ranks()
+print("\nОценки каждого признака каждой моделью, отсортированные по убыванию:")
+print_ranks_sorted()
+print("\nСредние оценки признаков:")
+print_means()
+

mashkova_margarita_lab_3/README.md

@@ -0,0 +1,88 @@
+# Лабораторная работа №3
+## ПИбд-42 Машкова Маргарита (Вариант 19)
+## Задание
+Решить с помощью библиотечной реализации дерева решений на 99% данных задачу:
+Выявить зависимость стоимости телефона от других его признаков.
+Проверить работу модели на оставшемся проценте, сделать вывод.
+
+### Данные: 
+> Датасет о характеристиках мобильных телефонов и их ценах
+> 
+> Ссылка на датасет в kaggle: [Mobile Phone Specifications and Prices](https://www.kaggle.com/datasets/pratikgarai/mobile-phone-specifications-and-prices/data)
+
+### Модели:
+
+> - DecisionTreeClassifier
+
+## Запуск программы
+Для запуска программы необходимо запустить файл main.py
+
+## Используемые технологии
+> **Язык программирования:** python
+> 
+> **Библиотеки:**
+> - `pandas` -  предоставляет функциональность для обработки и анализа набора данных.
+> - `sklearn` - предоставляет широкий спектр инструментов для машинного обучения, статистики и анализа данных.
+## Описание работы программы
+
+### Описание набора данных
+Данный набор содержит характеристики различных телефонов, в том числе их цену.
+
+Названия столбцов набора данных и их описание:
+
+- **Id** - идентификатор строки (int)
+- **Name** - наименование телефона (string)
+- **Brand** - наименование бренда телефона (string)
+- **Model** - модель телефона (string)
+- **Battery capacity (mAh)** - емкость аккумулятора в мАч (int)
+- **Screen size (inches)** - размер экрана в дюймах по противоположным углам (float)
+- **Touchscreen** - имеет телефон сенсорный экран или нет (string - Yes/No)
+- **Resolution x** - разрешение телефона по ширине экрана (int)
+- **Resolution y** - разрешение телефона по высоте экрана (int)
+- **Processor** - количество ядер процессора (int)
+- **RAM (MB)** - доступная оперативная память телефона в МБ (int)
+- **Internal storage (GB)** - внутренняя память телефона в ГБ (float)
+- **Rear camera** - разрешение задней камеры в МП (0, если недоступно) (float)
+- **Front camera** - разрешение фронтальной камеры в МП (0, если недоступно) (float)
+- **Operating system** - ОС, используемая в телефоне (string)
+- **Wi-Fi** - имеет ли телефон функция Wi-Fi (string - Yes/No)
+- **Bluetooth** - имеет ли телефон функцию Bluetooth (string - Yes/No)
+- **GPS** - имеет ли телефон функцию GPS (string - Yes/No)
+- **Number of SIMs** - количество слотов для SIM-карт в телефоне (int)
+- **3G** - имеет ли телефон сетевую функкцию 3G (string - Yes/No)
+- **4G/ LTE** - имеет ли телефон сетевую функкцию 4G/LTE (string - Yes/No)
+- **Price** - цена телефона в индийских рупиях (int)
+
+### Обработка данных
+
+Выведем информацию о данных при помощи функции DataFrame `data.info()`:
+
+![Информация о данных](data_info.png)
+
+Данные не содержат пустых строк. Все значения в столбцах необходимо привести к численным значениям.
+Для преобразования полей, содержащих значения Yes/No воспользуемся числовым кодированием `LabelEncoder`. 
+Значение "Yes" станет равным 1, значение "No" - 0. 
+Остальные строковых поля будем преобразовывать при помощи векторайзер с суммированием `TfidfVectorizer`.
+
+Данные после обработки:
+
+![Обработанные данные](data_processed.png)
+
+Далее создается Y - массив значений целового признака (цены).
+Задача классификации решается дважды: сначала на всех признаках, затем на выявленных четырех важных.
+Сначала в X передаются все признаки, выборка разделяется на тестовые (1%) и обучающие данные (99%), 
+модель дерева решений обучается, отображаются список важности признаков (по убыванию) и оценка модели.
+Затем из списка берутся первые 4 признаки и задача решается повторно.
+
+## Тесты
+### Результат решения задачи классификации на всех признаках:
+
+![Решение задачи на всех признаках](all_features.png)
+
+### Результат решения задачи классификации на выявленных четырех важных признаках:
+
+![Решение задачи на значимых признаках](important_features.png)
+ 
+**Вывод:** исходя из полученных результатов, средняя точность работы модели на всех признаках составляет 7%, 
+т.е. модель работает слишком плохо на данных. При выборе только важных признаков средняя точность падает до 0.
+Большое значение среднеквадратичной ошибки подтверждает тот факт, что модель имеет низкое качество.

mashkova_margarita_lab_3/main.py

@@ -0,0 +1,68 @@
+import pandas as pd
+from sklearn.feature_extraction.text import TfidfVectorizer
+from sklearn.preprocessing import LabelEncoder
+from sklearn.model_selection import train_test_split
+from sklearn.tree import DecisionTreeClassifier
+from sklearn.metrics import mean_squared_error
+
+filename = "mobiles.csv"
+# Считываем данные из файла в DataFrame
+data = pd.read_csv(filename, sep=',')
+# Удаляем столбец с идентификатором
+data.pop("Id")
+# print(data)
+# data.info()
+
+# Приведение строковых значений признаков к численным при помощи векторайзера с суммированием
+FEATURE_COLUMNS_TO_PROC = ['Name', 'Brand', 'Model', 'Operating system']
+for column_name in FEATURE_COLUMNS_TO_PROC:
+    vectorizer = TfidfVectorizer()
+    train_text_feature_matrix = vectorizer.fit_transform(data[column_name]).toarray()
+    a = pd.DataFrame(train_text_feature_matrix)
+    data[column_name] = a[a.columns[1:]].apply(lambda x: sum(x.dropna().astype(float)), axis = 1)
+
+# Приведение строковых значений к численным при помощи числового кодирования LabelEncoder
+le = LabelEncoder()
+data['Touchscreen'] = le.fit_transform(data['Touchscreen'])
+data['Wi-Fi'] = le.fit_transform(data['Wi-Fi'])
+data['Bluetooth'] = le.fit_transform(data['Bluetooth'])
+data['GPS'] = le.fit_transform(data['GPS'])
+data['3G'] = le.fit_transform(data['3G'])
+data['4G/ LTE'] = le.fit_transform(data['4G/ LTE'])
+
+# Разделение данных на обучающую и тестовую выборки
+# В Y помещаем целевой признак - цену
+Y = data['Price']
+
+
+def predict(X):
+    # Размер обучающей выборки - 99%, тестовой - 1%
+    X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.01, random_state=42)
+
+    # Создание и обучение модели DecisionTreeClassifier
+    dtc = DecisionTreeClassifier(max_depth=5, random_state=241)
+    dtc.fit(X_train, y_train)
+
+    # Создание DataFrame с именами признаков и их важностью
+    feature_importance_df = pd.DataFrame({'Признак': X_train.columns, 'Важность': dtc.feature_importances_}) \
+        .sort_values(by='Важность', ascending=False)
+
+    print("Важность признаков:")
+    print(feature_importance_df)
+    mean_accuracy = dtc.score(X_test, y_test)
+    y_pred = dtc.predict(X_test)
+    mse = mean_squared_error(y_test, y_pred)
+    print(f"Среднеквадратичная ошибка: {mse}")
+    print(f"Средняя точность: {mean_accuracy}")
+    return feature_importance_df
+
+
+print("\n***Решение задачи классификации, используя все параметры***")
+# В Х помещаем все признаки, кроме цены
+X = data.drop(columns='Price')
+importance_df = predict(X)
+print("\n***Решение задачи классификации, используя только 4 значимых параметра***")
+# Выбираем только 4 значимых признака
+important_features = importance_df.iloc[:4, 0].tolist()
+X_important = data[important_features]
+predict(X_important)

orlov_artem_lab_1/README.md

@@ -0,0 +1,27 @@
+### Задание:
+Данные: make_moons (noise=0.3, random_state=rs) 
+Модели:
+	· Линейную регрессию 
+	· Полиномиальную регрессию (со степенью 5) 
+	· Гребневую полиномиальную регрессию (со степенью 5, alpha= 1.0)
+
+### как запустить лабораторную работу:
+Лабораторная работа запускается в файле `main.py` через Run, должно запуститься окно с графиками и вычисления в консоли
+
+### Технологии:
+Для решения задач будем использовать следующие библиотеки 
+matplotlib для построения графиков, 
+numpy для математических операций, 
+sklearn для обучения моделей и получения результатов
+
+### Что делает лабораторная:
+Выполнение кода выводит точность каждой модели (в консоль) и отображает графики решений для каждой модели.
+
+### Пример выходных значений:
+Консоль:
+
+![результат в консоль](console.png)
+
+Графики:
+
+![img.png](gr.png)

orlov_artem_lab_1/main.py

@@ -0,0 +1,53 @@
+import matplotlib.pyplot as plt
+from sklearn.datasets import make_moons
+from sklearn.linear_model import LinearRegression, Ridge
+from sklearn.preprocessing import PolynomialFeatures
+
+# Генерируем данные
+rs = 42
+X, y = make_moons(noise=0.3, random_state=rs)
+
+# Линейная регрессия
+lr = LinearRegression()
+lr.fit(X, y)
+lr_score = lr.score(X, y)
+
+# Полиномиальная регрессия
+poly = PolynomialFeatures(degree=5)
+X_poly = poly.fit_transform(X)
+lr_poly = LinearRegression()
+lr_poly.fit(X_poly, y)
+lr_poly_score = lr_poly.score(X_poly, y)
+
+# Гребневая регрессия
+ridge = Ridge(alpha=1.0)
+ridge.fit(X_poly, y)
+ridge_score = ridge.score(X_poly, y)
+
+# Выводим результаты
+print(f'Линейная регрессия: {lr_score}')
+print(f'Полиномиальная регрессия: {lr_poly_score}')
+print(f'Гребневая регрессия: {ridge_score}')
+
+# Построение графиков
+plt.figure(figsize=(12, 6))
+
+plt.subplot(141)
+plt.scatter(X[:, 0], X[:, 1], c=y)
+plt.title('Данные')
+
+plt.subplot(142)
+plt.scatter(X[:, 0], lr.predict(X), c=y)
+plt.title('Линейная регрессия')
+
+plt.subplot(143)
+plt.scatter(X[:, 0], ridge.predict(X_poly), c=y)
+plt.title('Гребневая регрессия')
+
+# Добавляем график с полиномиальной регрессией
+plt.subplot(144)
+plt.scatter(X[:, 0], lr_poly.predict(X_poly), c=y)
+plt.title('Полиномиальная регрессия')
+
+plt.tight_layout()
+plt.show()

orlov_artem_lab_2/app.py

@@ -0,0 +1,114 @@
+from flask import Flask, request, render_template
+from sklearn.linear_model import LinearRegression, Ridge, Lasso
+from sklearn.preprocessing import MinMaxScaler
+import pandas as pd
+import numpy as np
+
+app = Flask(__name__)
+
+# Generate random data
+np.random.seed(0)
+size = 750
+X = np.random.uniform(0, 1, (size, 14))
+Y = (10 * np.sin(np.pi * X[:, 0] * X[:, 1]) + 20 * (X[:, 2] - .5) ** 2 +
+     10 * X[:, 3] + 5 * X[:, 4] ** 5 + np.random.normal(0, 1, size))
+X[:, 10:] = X[:, :4] + np.random.normal(0, .025, (size, 4))
+
+# Define and train models
+lr = LinearRegression()
+ridge = Ridge()
+lasso = Lasso(alpha=0.1)  # Example alpha value, you can adjust
+
+# Number of bootstrap samples
+n_bootstrap = 100
+
+# Dictionary to store rankings
+feature_rankings = {}
+
+
+# Function to rank features using linear regression
+def rank_lr():
+    lr.fit(X, Y)
+    coef = lr.coef_
+    ranking = np.abs(coef)
+    ranking = min_max_scale(ranking)
+    return ranking
+
+
+# Function to rank features using ridge regression
+def rank_ridge():
+    ridge.fit(X, Y)
+    coef = ridge.coef_
+    ranking = np.abs(coef)
+    ranking = min_max_scale(ranking)
+    return ranking
+
+# Function to rank features using lasso
+def rank_lasso():
+    lasso.fit(X, Y)
+    coef = lasso.coef_
+    ranking = np.abs(coef)
+    ranking = min_max_scale(ranking)
+    return ranking
+
+# Function to rank features using lasso with bootstrap
+def rank_randomized_lasso():
+    n_features = X.shape[1]
+    scores = np.zeros(n_features)
+
+    for _ in range(n_bootstrap):
+        indices = np.random.choice(size, size=size, replace=True)
+        X_bootstrap = X[indices]
+        Y_bootstrap = Y[indices]
+
+        lasso.fit(X_bootstrap, Y_bootstrap)
+        scores += np.abs(lasso.coef_)
+
+    scores /= n_bootstrap
+    scores = min_max_scale(scores)
+    return scores
+
+
+# Function to scale scores to the range [0, 1]
+def min_max_scale(arr):
+    scaler = MinMaxScaler()
+    scaled = scaler.fit_transform(np.array(arr).reshape(-1, 1))
+    return scaled
+
+
+# Function to perform ranking and compute mean ranking
+def rank_features():
+    feature_rankings['Linear Regression'] = rank_lr()
+    feature_rankings['Ridge'] = rank_ridge()
+    feature_rankings['Lasso'] = rank_lasso()
+    feature_rankings['Randomized Lasso'] = rank_randomized_lasso()
+
+    # Mean ranking
+    mean_ranking = np.mean(list(feature_rankings.values()), axis=0)
+    feature_rankings['Mean Ranking'] = mean_ranking
+
+    # Get indices of the top 4 most important features
+    top_4_indices = np.argsort(mean_ranking)[-4:][::-1]
+
+    # Get feature names based on indices
+    top_4_feature_names = [f'Feature {i + 1}' for i in top_4_indices]
+
+    # Add X and Y values to the context
+    return {
+        'feature_rankings': feature_rankings,
+        'X_values': X[:, top_4_indices].tolist(),
+        'Y_values': Y.tolist(),
+        'top_4_feature_names': top_4_feature_names  # Add the most important features
+    }
+
+
+@app.route('/', methods=['GET', 'POST'])
+def index():
+    if request.method == 'POST':
+        context = rank_features()
+        return render_template('index.html', **context)
+    return render_template('index.html', feature_rankings=feature_rankings)
+
+
+if __name__ == '__main__':
+    app.run(debug=True)

orlov_artem_lab_2/readme.md

@@ -0,0 +1,29 @@
+Общее задание:
+Используя код из [1] (пункт «Решение задачи ранжирования признаков», стр. 205), выполните ранжирование признаков с помощью указанных по 
+варианту моделей. Отобразите получившиеся значения\оценки каждого признака каждым методом\моделью и среднюю оценку. Проведите анализ 
+получившихся результатов. Какие четыре признака оказались самыми 45 важными по среднему значению? (Названия\индексы признаков и будут 
+ответом на задание).
+
+Вариант 19:
+Линейная регрессия (LinearRegression), Гребневая регрессия (Ridge), Лассо (Lasso), Случайное Лассо (RandomizedLasso)
+
+Запуск приложения: запуск файла app.py
+
+Использованные технологии:
+Flask: Веб-фреймворк для Python, используемый для создания веб-приложения.
+scikit-learn (sklearn): Библиотека машинного обучения для Python. В коде используются модели линейной регрессии (LinearRegression), гребневой регрессии (Ridge), лассо (Lasso), а также Случайное Лассо (RandomizedLasso).
+NumPy: Библиотека для работы с многомерными массивами и математическими функциями в Python.
+Pandas: Библиотека для обработки и анализа данных в Python.
+MinMaxScaler: Инструмент из scikit-learn для масштабирования данных в интервал [0, 1].
+
+Краткое описание работы программы:
+Генерируются случайные данные X и Y.
+Создаются и обучаются модели линейной регрессии, гребневой регрессии и случайного Лассо.
+Реализованы функции для ранжирования признаков с использованием различных моделей.
+Веб-приложение на Flask отображает результаты ранжирования признаков, средние оценки и важные признаки.
+
+Пример входных данных:
+Генерированные случайные данные X (матрица признаков) и Y (вектор целевой переменной).
+
+Пример выходных данных:
+Веб-страница с результатами ранжирования признаков, средними оценками и списком самых важных признаков.