senkin_alexander_lab_6/.gitignore

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

senkin_alexander_lab_6/README.md

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

senkin_alexander_lab_6/senkin_alexander_lab_6.py

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