# Лабораторная работа №6. Нейронная сеть
## 12 вариант
___

### Задание:
Использовать регрессию по варианту для своих данных по варианту,
самостоятельно сформулировав задачу. Оценить, насколько хорошо она
подходит для решения сформулированной вами задачи. 

### Вариант:
- Модель нейронной сети: **MLPRegressor**

### Вариант набора данных по курсовой работе:
- Прогнозирование музыкальных жанров ("Prediction of music genre")

___

### Запуск
- Запустить файл lab6.py 

### Используемые технологии
- Язык программирования **Python**
- Среда разработки **PyCharm**
- Библиотеки:
    * pandas
    * sklearn
    * matplotlib
    * seaborn

### Описание программы
**Набор данных (Kaggle):** Полный список жанров, включенных в CSV:
«Электронная музыка», «Аниме», «Джаз», «Альтернатива», «Кантри», «Рэп»,
«Блюз», «Рок», «Классика», «Хип-хоп».

**Задача, решаемая нейронной сетью:**
Предсказание популярности нового музыкального трека на основе его
определённых характеристик.

**Задача оценки:**
Анализ с помощью коэффициента детерминации и потери регрессии
среднеквадратичной логарифмической ошибке, плюсом к ним график сравнения
реальных и предсказанных значений.

---
### Пример работы

*Датасет, сформированный из случайных строк csv-файла.*

![Graphics](2_dataset.jpg)

---

***Коэффициент детерминации** используется для оценки эффективности модели
линейной регрессии. Он показывает, насколько хорошо наблюдаемые результаты
воспроизводятся моделью, в зависимости от соотношения суммарных отклонений
результатов, описываемых моделью. По выводу можно отметить, что 33,4%
изменчивости зависимого выходного атрибута можно объяснить с помощью модели,
в то время как остальные 66,6% изменчивости все ещё не учтены.*

***Потери регрессии среднеквадратичной логарифмической ошибки (MSLE)** использует
тот же подход, что и **MSE**, но использует логарифм для компенсации больших
выбросов в наборе данных и обрабатывает их так, как если бы они были в одном
масштабе. Это наиболее ценно в стремлении к сбалансированной модели с
одинаковым процентом ошибок.*

![Graphics](3_score.jpg)

---

*График нейронной сети MLPRegressor, показывающий сравнение реальных
(ось абсцисс) и предсказанных (ось ординат) данных.*

![Graphics](1_plot_result.png)

---

### Вывод
Итак, нейронная сеть с поставленной задачей по сути не справилась. Работа
со скрытыми слоями смогла улучшить результат, но лишь на значение, равное 0,100.

Использование слишком малого количества нейронов в скрытых слоях приведет к
недообучению. Недообучение происходит, когда в скрытых слоях слишком мало
нейронов для адекватного обнаружения сигналов в сложном наборе данных.
Использование же слишком большого количества нейронов в скрытых слоях может
привести к переобучению. Очевидно, должен быть достигнут некоторый компромисс
между слишком большим и слишком малым количеством нейронов в скрытых слоях.
Я пришёл к тому, что использовал 4 скрытых слоя с 50 нейронов в каждом.

Можно сделать заключение, что целевая переменная (процент популярности
музыкального трека) выбрана неудачно, либо же требуется более детальная
обработка данных и другой подход к оцениваемым признакам. Как вариант,
можно рассмотреть StandardScaler или MinMaxScaler на этапе предварительной
обработки данных. Но как упоминалось в прошлой лабораторной работе,
популярность музыкального трека слишком неоднозначная величина, которую
саму по себе предсказать не просто, так как нет точной формулы песни,
которая взлетит в чартах. Искусство само по себе коварное :)