# Лабораторная работа 6. Нейронная сеть
### Вариант № 18(четный)
Использовать  нейронную  сеть (четные  варианты – MLPRegressor, нечетные – MLPClassifier) для  данных, самостоятельно  сформулировав  задачу. 
Интерпретировать  результаты  и оценить,  насколько  хорошо  она подходит  для  решения сформулированной вами задачи.

***
## *Как запустить лабораторную работу:*
Чтобы запустить программу, открываем файл lab6 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.

**Matplotlib** — это комплексная библиотека для создания статических, анимированных и интерактивных визуализаций на Python.
***
## *Что делает ЛР:*
В данной работе анализируется работа модели MLPRegressor и решается задача предсказания уровня здоровья по ключевым характеристикам.

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_ex - оценка важности физических упражнений;
* gymtime - время, проведенное в тренажерном зале.

Целевой переменной является phy_health - оценка состояния здоровья.

**Результатом работы программы** являются: вывод оценки качества модели (в консоли) и график фактических и предсказанных значений уровня здоровья респондента (mlpreg.png).
***
## *Пример выходных данных:*
>Вывод в консоли:

![](https://sun9-65.userapi.com/impg/CIRmqorzzZsjOQyFE07PSiTgKCE0TPqA6vo1Yw/hHty6ihsJxc.jpg?size=298x25&quality=96&sign=8130ea691291130b20b7faf7399f7d0c&type=album)

>График:

![](https://sun9-46.userapi.com/impg/sQHOxXdcEB3WDvA-zoHYr8Xi7po9keF5xqFf1A/7cmO5ujZsxM.jpg?size=993x697&quality=96&sign=e57de94bef2fca977d7e5ef680c94b89&type=album)
***
**Вывод**: 
Оценка качества модели нейронной сети хоть и чуть лучше модели Лассо, все равно довольно низкая (~0,35 vs ~0,38), поэтому модель не совсем подходит для решения поставленной задачи. Судя по графику фактических и предсказанных
значений уровня здоровья, предсказания получились весьма схожими с предсказаниями по модели Лассо.