# Лабораторная работа №6 Вариант 25.

## Задание

Общее задание: Использовать нейронную сеть MLPClassifier, самостоятельно сформулировав задачу.

Задача регрессии: Прогнозирования спроса на аренду велосипедов на основе данных о погоде и днях недели.

Ссылка на набор даных: [kaggle-bike-sharing-system](https://www.kaggle.com/datasets/itssuru/bike-sharing-system-washington-dc/?select=train_bikes.csv)

## Содержание
- [Лабораторная работа №6 Вариант 25.](#лабораторная-работа-6-вариант-25)
  - [Задание](#задание)
  - [Содержание](#содержание)
  - [Введение](#введение)
  - [Зависимости](#зависимости)
  - [Запуск приложения](#запуск-приложения)
  - [Описание кода](#описание-кода)
  - [Заключение](#заключение)
    - [Оценка работы моделей](#оценка-работы-моделей)
    - [На основе анализа можно сделать следующие выводы:](#на-основе-анализа-можно-сделать-следующие-выводы)
    - [Общий вывод](#общий-вывод)

## Введение

Данный код демонстрирует, использует классификатор MLP (Многослойный Персептрон) из библиотеки scikit-learn для прогнозирования количества арендованных велосипедов на основе различных признаков.

## Зависимости

Для работы этого приложения необходимы следующие библиотеки Python:

- pandas
- scikit-learn
- NumPy
- Matplotlib
- seaborn

Вы можете установить их с помощью pip:

```bash
pip install numpy scikit-learn pandas matplotlib seaborn
```

## Запуск приложения

Чтобы запустить эту программу, выполните следующую команду:

```bash
python lab6.py
```
Откроется визуализация данных и в консоль выведется резудьтат.

## Описание кода

- Загрузка данных из файла train_bikes.csv с использованием библиотеки pandas. Пропущенные значения удаляются из набора данных.

- Формирование бинарных признаков 'is_holiday' и 'is_workingday' на основе столбцов 'holiday' и 'workingday'.

- Выбор признаков: 'weather', 'temp', 'humidity', 'is_holiday', 'is_workingday'. Целевая переменная: 'count'.

- Разделение данных на обучающий, валидационный и тестовый наборы.

```python
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
```

- Создание и обучение модели MLPClassifier с использованием обучающего набора.

```python
model = MLPClassifier(
    hidden_layer_sizes=(500,),
    activation='relu',
    solver='adam',
    alpha=0.01,
    max_iter=100,
    random_state=42,
    verbose=True,
)
model.fit(X_train, y_train)
```

- Предсказание значений на тестовом наборе и оценка точности модели.

```python
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f'Оценка точности: {accuracy*100:.2f}%')
```

- Визуализация результатов с использованием библиотеки seaborn.

## Заключение

### Оценка работы моделей

```bash
Оценка точности: 1.56%
```

![](result.png)

### На основе анализа можно сделать следующие выводы:

1. Коэффициенты линейной регрессии:

- Точность модели на тестовом наборе данных низкая (1.56%). Это может свидетельствовать о том, что выбранные признаки и параметры модели не достаточно хорошо описывают зависимость от целевой переменной.

2. Визуализация результатов позволяет визуально сравнить фактическое и предсказанное количество арендованных велосипедов.

### Общий вывод

Модель MLPClassifier, основанная на погодных условиях и днях недели, демонстрирует низкую точность.