gordeeva_anna_lab_6/README.md

@@ -0,0 +1,23 @@
+## Данные
+Я использую следующие данные:
+* Ссылка на изображение картины
+* Размер картины в см
+* Средняя оценка по отзывам
+* Количество заказов
+* Стоимость
+Чтобы сделать анализ конкретнее были добавлены вручную следующие
+данные:
+* Жанр (Например: пейзаж, животные, портрет и т.д)
+* Поджанр (Например: городской пейзаж, коты, собаки и т.д)
+
+## Задание и решение классификации (нейронная сеть)
+Необходимо посоветовать/предсказать пользователю поджанр на основе выбранного
+жанра и категории стоимости. Нет необходимости разбивать на группы, так как сам
+параметр является категориальным. Для выполнения классификации все категориальные
+параметры переводим в числа. Точность модель не превышает 0.30, что можно сказать,
+что модель не удачная. На это влияет то, что в данные достаточно много классов, что
+делает модель сложнее. Результат предсказания представлен на рисунке 5 и 6
+
+## Результат
+![Alt text](cAofDwrO6o4.jpg "Optional Title")
+![Alt text](1aIk7s_b66s.jpg "Optional Title")

gordeeva_anna_lab_6/laba6.py

@@ -0,0 +1,74 @@
+import pandas as pd
+import streamlit as st
+import statsmodels.api as sm
+from sklearn.neural_network import MLPClassifier
+from sklearn.model_selection import train_test_split
+from sklearn.preprocessing import StandardScaler
+from sklearn.metrics import accuracy_score
+import numpy as np
+
+data = pd.read_csv('222.csv')
+
+genre_mapping = {genre: code for code, genre in enumerate(data['Жанр'].unique())}
+subgenre_mapping = {subgenre: code for code, subgenre in enumerate(data['Поджанр'].unique())}
+price_mapping = {price: code for code, price in enumerate(data['Категория стоимости'].unique())}
+
+# Преобразование категориальных значений
+data['Жанр'] = data['Жанр'].map(genre_mapping)
+data['Поджанр'] = data['Поджанр'].map(subgenre_mapping)
+data['Категория стоимости'] = data['Категория стоимости'].map(price_mapping)
+
+columns_to_check = ['Размер', 'Жанр', 'Поджанр', 'Категория стоимости']
+data = data.dropna(subset=columns_to_check)
+
+# Разделение данных на признаки (X) и целевую переменную (y)
+X = data[['Жанр', 'Категория стоимости']]
+y = data['Поджанр']
+
+# Разделение 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)
+
+# Нормализация данных
+scaler = StandardScaler()
+X_train = scaler.fit_transform(X_train)
+X_test = scaler.transform(X_test)
+
+# Инициализация MLPClassifier
+clf = MLPClassifier(hidden_layer_sizes=(100, 50), max_iter=500, alpha=0.1, solver='adam', random_state=42)
+
+# Обучение модели
+clf.fit(X_train, y_train)
+
+# Предсказание на тестовом наборе
+predictions = clf.predict(X_test)
+
+# Оценка точности модели
+accuracy = accuracy_score(y_test, predictions)
+st.write(f"Точность модели: {accuracy}")
+
+on_pred = st.toggle('')
+if on_pred:
+    selected_genre = st.selectbox('Выберите жанр:', genre_mapping)
+    selected_price = st.selectbox('Выберите категорию стоимости:', price_mapping)
+
+    new_data = pd.DataFrame({'Жанр': [selected_genre], 'Категория стоимости': [selected_price]}, index=[0])
+
+    new_data['Жанр'] = new_data['Жанр'].map(genre_mapping)
+    new_data['Категория стоимости'] = new_data['Категория стоимости'].map(price_mapping)
+
+    new_data_normalized = scaler.transform(new_data.values)
+    new_predictions = clf.predict(new_data_normalized)
+
+    # Создание обратного словаря для обратного маппинга числовых кодов поджанров в текстовые метки
+    reverse_subgenre_mapping = {code: subgenre for subgenre, code in subgenre_mapping.items()}
+
+    # Преобразование числовых предсказаний обратно в текстовые метки поджанров
+    predicted_subgenres = [reverse_subgenre_mapping[code] for code in new_predictions]
+
+    # Вывод предсказанных поджанров для новых данных
+    st.write("Предсказанный поджанр:")
+    for subgenre in predicted_subgenres:
+        if isinstance(subgenre, float) and np.isnan(subgenre):
+            st.write("Не удалось предсказать, мало данных по данному жанру")
+        else:
+            st.write(subgenre)