alexandrov_dmitrii_lab_6/lab6.py

@@ -0,0 +1,76 @@
+from matplotlib import pyplot as plt
+from sklearn.model_selection import train_test_split
+from sklearn.neural_network import MLPClassifier
+import pandas as pd
+import numpy as np
+
+data = pd.read_csv('sberbank_data.csv', index_col='id')
+x = data[['timestamp', 'full_sq', 'floor', 'max_floor', 'build_year', 'num_room', 'material', 'kremlin_km']]
+
+x = x.replace('NA', 0)
+x.fillna(0, inplace=True)
+
+col_date = []
+
+for val in x['timestamp']:
+    col_date.append(val.split('-', 1)[0])
+
+x = x.drop(columns='timestamp')
+x['timestamp'] = col_date
+
+y = []
+for val in data['price_doc']:
+    if val < 1500000:
+        y.append('low')
+    elif val < 3000000:
+        y.append('medium')
+    elif val < 5500000:
+        y.append('high')
+    elif val < 10000000:
+        y.append('premium')
+    else:
+        y.append('oligarch')
+
+x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.01, random_state=42)
+
+min_scores = []
+med_scores = []
+max_scores = []
+
+
+def do_test(iters_num):
+    global x_train, x_test, y_train, y_test, min_scores, med_scores, max_scores
+
+    print("Testing iterations number "+str(iters_num)+":")
+    scores = []
+
+    for i in range(10):
+        neuro = MLPClassifier(max_iter=200)
+        neuro.fit(x_train, y_train)
+        scr = neuro.score(x_test, y_test)
+        print("res"+str(i+1)+": "+str(scr))
+        scores.append(scr)
+
+    print("Medium result: "+str(np.mean(scores)))
+
+    min_scores.append(np.min(scores))
+    med_scores.append(np.mean(scores))
+    max_scores.append(np.max(scores))
+
+
+def start():
+    global min_scores, med_scores, max_scores
+
+    iter_nums = [200, 400, 600, 800, 1000]
+
+    for num in iter_nums:
+        do_test(num)
+
+    plt.figure(1, figsize=(16, 9))
+    plt.plot(iter_nums, min_scores, c='r')
+    plt.plot(iter_nums, med_scores, c='b')
+    plt.plot(iter_nums, max_scores, c='b')
+    plt.show()
+
+
+start()

alexandrov_dmitrii_lab_6/readme.md

@@ -0,0 +1,149 @@
+### Задание
+Использовать нейронную сеть по варианту для выбранных данных по варианту, самостоятельно сформулировав задачу.
+Интерпретировать результаты и оценить, насколько хорошо она подходит для
+решения сформулированной вами задачи.
+
+Вариант 1: MLPClassifier
+
+Была сформулирована следующая задача: необходимо классифицировать жильё по стоимости на основе избранных признаков при помощи нейронной сети.
+
+### Запуск программы
+Файл lab6.py содержит и запускает программу, аргументов и настройки ~~вроде~~ не требует.
+
+### Описание программы
+Программа считывает цены на жильё как выходные данные и следующие данные как входные: год размещения объявления, площадь, этаж, количество этажей, год постройки, количество комнат, материал, расстояние до кремля (условного центра).
+Далее она обрабатывает данные (цифровизирует нулевые данные), оставляет только год объявления. Цены распределяются по пяти классам.
+
+После обработки программа делит данные на 99% обучающего материала и 1% тестового.
+Эти данные обрабатываются по 10 раз для идентичных моделей нейронных сетей, использующих метод градиентного спуска "adam", с разной настройкой максимального количества поколений: 200, 400, 600, 800, 1000.
+Считаются оценка модели. Для каждой модели запоминаются минимальный, максимальный и средний результаты. В консоль выводятся все результаты.
+В конце программа показывает графики зависимости результатов от максимального количества поколений модели.
+
+### Результаты тестирования
+По результатам тестирования, можно сказать следующее:
+* В общем, модель даёт средний результат в районе 40-50% точности, что недостаточно.
+* Увеличение максимального количества поколений влияет сильнее всего на минимальные оценки, сужая разброс точности.
+* Нельзя сказать, что увеличение максимального количества поколений сильно улучшит модель: максимум на 10% точности.
+
+Пример консольного вывода:
+>Testing iterations number 200:
+> 
+>res1: 0.3806228373702422
+> 
+>res2: 0.6055363321799307
+> 
+>res3: 0.4809688581314879
+> 
+>res4: 0.4913494809688581
+> 
+>res5: 0.4844290657439446
+> 
+>res6: 0.2975778546712803
+> 
+>res7: 0.48788927335640137
+> 
+>res8: 0.06228373702422145
+> 
+>res9: 0.6193771626297578
+> 
+>res10: 0.47750865051903113
+> 
+>Medium result: 0.4387543252595155
+> 
+>Testing iterations number 400:
+> 
+>res1: 0.6124567474048442
+> 
+>res2: 0.4290657439446367
+> 
+>res3: 0.3217993079584775
+> 
+>res4: 0.5467128027681661
+> 
+>res5: 0.48788927335640137
+> 
+>res6: 0.40484429065743943
+> 
+>res7: 0.6020761245674741
+> 
+>res8: 0.4186851211072664
+> 
+>res9: 0.42214532871972316
+> 
+>res10: 0.370242214532872
+> 
+>Medium result: 0.46159169550173
+> 
+>Testing iterations number 600:
+> 
+>res1: 0.4359861591695502
+> 
+>res2: 0.2560553633217993
+> 
+>res3: 0.5363321799307958
+> 
+>res4: 0.5778546712802768
+> 
+>res5: 0.35986159169550175
+> 
+>res6: 0.356401384083045
+> 
+>res7: 0.49480968858131485
+> 
+>res8: 0.5121107266435986
+> 
+>res9: 0.5224913494809689
+> 
+>res10: 0.5190311418685121
+> 
+>Medium result: 0.4570934256055363
+> 
+>Testing iterations number 800:
+> 
+>res1: 0.25951557093425603
+> 
+>res2: 0.4083044982698962
+> 
+>res3: 0.5224913494809689
+> 
+>res4: 0.5986159169550173
+> 
+>res5: 0.24567474048442905
+> 
+>res6: 0.4013840830449827
+> 
+>res7: 0.21453287197231835
+> 
+>res8: 0.4671280276816609
+> 
+>res9: 0.40484429065743943
+> 
+>res10: 0.38408304498269896
+> 
+>Medium result: 0.3906574394463667
+> 
+>Testing iterations number 1000:
+> 
+>res1: 0.4186851211072664
+> 
+>res2: 0.5017301038062284
+> 
+>res3: 0.5121107266435986
+> 
+>res4: 0.3806228373702422
+> 
+>res5: 0.44982698961937717
+> 
+>res6: 0.5986159169550173
+> 
+>res7: 0.5570934256055363
+> 
+>res8: 0.4290657439446367
+> 
+>res9: 0.32525951557093424
+> 
+>res10: 0.41522491349480967
+> 
+>Medium result: 0.4588235294117647
+
+Итого: Для отобранных данных нейронная модель с методом градиентного спуска "adam" показала себя не лучшим образом. Возможно, другие методы могут выдать лучшие результаты, либо необходима более обширная модификация модели.