for kurs work

senkin_alexander_lab_3/senkin_alexander_lab_3.py

@@ -4,10 +4,101 @@ from sklearn.tree import DecisionTreeRegressor
 from sklearn.ensemble import RandomForestRegressor
 from sklearn.linear_model import LinearRegression
 from sklearn.metrics import mean_squared_error
+from sklearn.model_selection import train_test_split
+from sklearn.ensemble import RandomForestClassifier
+from sklearn.metrics import accuracy_score, classification_report, confusion_matrix
+from sklearn.linear_model import LogisticRegression
+from sklearn.tree import DecisionTreeClassifier
+import matplotlib.pyplot as plt
+import seaborn as sns
 
-# Загрузка данных из csv-файла
+# Загрузите данные
 data = pd.read_csv('us_tornado_dataset_1950_2021.csv')
 
+# Преобразуйте магнитуду в бинарный признак (сильные и не сильные торнадо)
+data['mag_class'] = data['mag'].apply(lambda x: 1 if x >= 3 else 0)
+
+# Выделите признаки для обучения
+features = data[['yr', 'mag', 'fat']]
+
+# Выделите целевую переменную
+target = data['mag_class']
+
+X_train, X_test, y_train, y_test = train_test_split(features, target, test_size=0.2, random_state=42)
+
+# Инициализируйте и обучите классификатор (в данном случае, Random Forest)
+clf = RandomForestClassifier(random_state=42)
+clf.fit(X_train, y_train)
+
+# Сделайте предсказания на тестовом наборе
+predictions = clf.predict(X_test)
+
+# Оцените результаты классификации
+accuracy = accuracy_score(y_test, predictions)
+conf_matrix = confusion_matrix(y_test, predictions)
+
+print("Rendom tree:")
+print("Accuracy:", accuracy)
+print("\nConfusion Matrix:\n", conf_matrix)
+print("\nClassification Report:\n", classification_report(y_test, predictions))
+
+# Визуализация матрицы ошибок
+plt.figure(figsize=(8, 6))
+sns.heatmap(conf_matrix, annot=True, fmt='d', cmap='Blues', xticklabels=['Not Strong', 'Strong'], yticklabels=['Not Strong', 'Strong'])
+plt.title('Confusion Matrix')
+plt.xlabel('Predicted')
+plt.ylabel('Actual')
+plt.show()
+
+# Инициализируйте и обучите дерево решений
+dt_clf = DecisionTreeClassifier(random_state=42)
+dt_clf.fit(X_train, y_train)
+
+# Сделайте предсказания на тестовом наборе с деревом решений
+dt_predictions = dt_clf.predict(X_test)
+
+# Оцените результаты классификации для дерева решений
+dt_accuracy = accuracy_score(y_test, dt_predictions)
+dt_conf_matrix = confusion_matrix(y_test, dt_predictions)
+
+print("Decision Tree Classifier:")
+print("Accuracy:", dt_accuracy)
+print("\nConfusion Matrix:\n", dt_conf_matrix)
+print("\nClassification Report:\n", classification_report(y_test, dt_predictions))
+
+# Визуализация матрицы ошибок для дерева решений
+plt.figure(figsize=(8, 6))
+sns.heatmap(dt_conf_matrix, annot=True, fmt='d', cmap='Blues', xticklabels=['Not Strong', 'Strong'], yticklabels=['Not Strong', 'Strong'])
+plt.title('Decision Tree Confusion Matrix')
+plt.xlabel('Predicted')
+plt.ylabel('Actual')
+plt.show()
+
+# Инициализируйте и обучите линейную регрессию
+lr_clf = LogisticRegression(random_state=42)
+lr_clf.fit(X_train, y_train)
+
+# Сделайте предсказания на тестовом наборе с линейной регрессией
+lr_predictions = lr_clf.predict(X_test)
+
+# Оцените результаты классификации для линейной регрессии
+lr_accuracy = accuracy_score(y_test, lr_predictions)
+lr_conf_matrix = confusion_matrix(y_test, lr_predictions)
+
+print("\nLinear Regression Classifier:")
+print("Accuracy:", lr_accuracy)
+print("\nConfusion Matrix:\n", lr_conf_matrix)
+print("\nClassification Report:\n", classification_report(y_test, lr_predictions))
+
+# Визуализация матрицы ошибок для линейной регрессии
+plt.figure(figsize=(8, 6))
+sns.heatmap(lr_conf_matrix, annot=True, fmt='d', cmap='Blues', xticklabels=['Not Strong', 'Strong'], yticklabels=['Not Strong', 'Strong'])
+plt.title('Linear Regression Confusion Matrix')
+plt.xlabel('Predicted')
+plt.ylabel('Actual')
+plt.show()
+
+
 # Разделение данных на признаки (X) и целевую переменную (y)
 X = data[['yr', 'mag', 'fat']]
 
@@ -47,11 +138,48 @@ coef_df = pd.DataFrame({'Признак': X.columns, 'Коэффициент': c
 coef_df['Абсолютный_Коэффициент'] = coef_df['Коэффициент'].abs()
 coef_df = coef_df.sort_values(by='Абсолютный_Коэффициент', ascending=False)
 
+# Решение с помощью случайного леса (Random Forest)
+rf_model = RandomForestRegressor(random_state=42)
+rf_model.fit(X_train, y_train)
+test_score3 = rf_model.score(X_test, y_test)
+# Получение важности признаков для случайного леса
+rf_feature_importances = rf_model.feature_importances_
+
+# Предсказание значений на тестовой выборке
+y_pred_rf = rf_model.predict(X_test)
+
+# Оценка производительности модели
+rf_mse = mean_squared_error(y_test, y_pred_rf)
+
 print("Дерево решений")
 print("score", test_score)
 print("feature_importances", feature_importances)
 print("Mean Squared Error: {:.2f}".format(mse) + "\n")
+plt.figure(figsize=(10, 6))
+plt.bar(X.columns, feature_importances)
+plt.title('Decision Tree Feature Importances')
+plt.xlabel('Features')
+plt.ylabel('Importance')
+plt.show()
 print("Линейная регрессия")
 print("score", test_score2)
 print(coef_df)
-print("Mean Squared Error: {:.2f}".format(mse2))
+print("Mean Squared Error: {:.2f}".format(mse2))
+plt.figure(figsize=(10, 6))
+plt.bar(coef_df['Признак'], coef_df['Абсолютный_Коэффициент'])
+plt.title('Linear regression Feature Importances')
+plt.xlabel('Features')
+plt.ylabel('Importance')
+plt.show()
+print("Случайный лес")
+print("score", test_score)
+print("feature_importances", rf_feature_importances)
+print("Mean Squared Error: {:.2f}".format(rf_mse) + "\n")
+# Визуализация важности признаков для случайного леса
+plt.figure(figsize=(10, 6))
+plt.bar(X.columns, rf_feature_importances)
+plt.title('Random Forest Feature Importances')
+plt.xlabel('Features')
+plt.ylabel('Importance')
+plt.show()
+