# Лабораторная работа №3. Деревья решений
## 14 вариант
___

### Задание:
Решите с помощью библиотечной реализации дерева решений задачу из лабораторной работы «Веб-сервис «Дерево решений» по предмету «Методы искусственного интеллекта»на 99% ваших данных. Проверьте работу модели на оставшемся проценте, сделайте вывод

### Описание используемого набора данных:
Объектом исследования является набор данных, который размещен на платформе Kaggle (https://www.kaggle.com/datasets/nelgiriyewithana/top-spotify-songs-2023/data). Он представляет собой полный список самых известных песен 2023 года, перечисленных на Spotify. Данный набор представлен в виде файла spotify.csv

Столбцами являются:
1.	track_name – Название композиции
2.	artist(s)_name – Имя исполнителя/имена исполнителей песни.
3.	artist_count – Количество исполнителей, участвовавших в со-здании песни
4.	released_year – Год, когда песня была выпущена
5.	released_month – Месяц, когда песня была выпущена
6.	released_day – День месяца, когда песня была выпущена.
7.	in_spotify_playlists – Количество плейлистов Spotify, в которые песня включена
8.	in_spotify_charts – Присутствие и рейтинг песни в чартах Spotify.
9.	streams – Общее количество прослушиваний в Spotify.
10.	in_apple_playlists – Количество плейлистов Apple Music, в которые песня включена.
11.	in_apple_charts – Присутствие и рейтинг песни в чартах Apple Music.
12.	in_deezer_playlists – Количество плейлистов Deezer, в ко-торые песня включена.
13.	in_deezer_charts – Присутствие и рейтинг песни в чартах Deezer
14.	in_shazam_charts – Присутствие и рейтинг песни в чартах Shazam.
15.	bpm – Количество ударов в минуту, показатель темпа песни.
16.	key – Тональность песни.
17.	mode – Режим песни (мажорный или минорный).
18.	danceability_% – Процент, указывающий, насколько песня подходит для танцев. 
19.	valence_% - Позитивность музыкального содержания пес-ни
20.	energy_% - Воспринимаемый уровень энергии песни
21.	acousticness_% - Количество акустического звука в песне
22.	instrumentalness_% - Количество инструментального кон-тента в песне
23.	liveness_% - Наличие элементов живого исполнения
24.	speechiness_% - Количество произнесенных слов в песне

Задачей регрессии на данном наборе данных является прогнозирование значения столбца «in_spotify_playlists» по столбцам «streams», «in_apple_playlists», «in_deezer_playlists» и «bpm».
___

### Запуск
- Запустить файл lab6.py

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

### Описание программы
Код программы выполняет следующие действия:

1. Импортирует необходимые библиотеки: pandas, numpy, train_test_split из sklearn.model_selection и DecisionTreeClassifier из sklearn.tree.
   
2. Загружает данные из файла "spotify.csv" в объект DataFrame под названием "data".
   
3. Удаляет все строки с пропущенными значениями из DataFrame "data".
   
4. Удаляет столбец "artist(s)_name" из DataFrame "data".
   
5. Задает список столбцов, которые требуется нормализовать.
   
6. Проходит по каждому столбцу из списка "columns_to_normalize" и выполнит нормализацию значений в диапазоне от 0 до 1.
   
7. Удаляет запятые из значений в столбце "in_deezer_playlists".
   
8. Приводит столбец "in_deezer_playlists" к числовому типу данных (np.int64).
   
9. Удаляет запятые из значений в столбце "in_shazam_charts".
   
10. Приводит столбец "in_shazam_charts" к числовому типу данных (np.int64).
   
11. Создает словарь "track_name_dict" соответствия числовых значений и названий трека.
   
12. Заменяет значения в столбце "track_name" на числовые значения согласно словарю "track_name_dict".
   
13. Создает словарь "key_dict" соответствия числовых значений и тональностей.
   
14. Заменяет значения в столбце "key" на числовые значения согласно словарю "key_dict".
   
15. Создает словарь "mode_dict" соответствия числовых значений и режимов песни.
   
16. Заменяет значения в столбце "mode" на числовые значения согласно словарю "mode_dict".
   
17. Разбивает данные на обучающую и тестовую выборки (X_train, X_test, y_train, y_test) с помощью функции train_test_split.
   
18. Инициализирует модель DecisionTreeClassifier с параметром random_state=241.
   
19. Обучает модель на обучающих данных (X_train, y_train) с помощью метода fit.
   
20. Вычисляет важность каждого признака с помощью атрибута feature_importances_ модели и сохраняет результаты в переменной "importances".
   
21. Получает список названий столбцов из DataFrame "data" и сохраняет их в переменной "columns".
   
22. Выводит важность каждого признака по результатам ранжирования в порядке убывания с помощью цикла и функции print. Каждая строка состоит из названия признака и его важности.

Таким образом, данный код выполняет предобработку данных, обучает модель DecisionTreeClassifier и оценивает значимость признаков для предсказания переменной "in_spotify_playlists".

___
### Пример работы

![Graphics](output.png)
```text
Оценка значимости признаков для предсказания переменной "in_spotify_playlists"
```

### Вывод
На основе выходных данных можно сделать следующий вывод о работе модели:

Наиболее важными признаками для предсказания переменной "in_spotify_playlists" оказались «streams», «in_apple_playlists», «in_deezer_playlists», «bpm».