# Лабораторная работа №3. Деревья решений
## 12 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.


### Вариант набора данных по курсовой работе:
- Прогнозирование музыкальных жанров

___

### Запуск
- Запустить файл lab3.py 

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

### 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 деревом решений:** Классификация музыкальных треков на
основе их характеристик, таких как темп, инструментальность, акустичность,
речевость, танцевальность, энергичность, живость. Дерево решений может
предсказывать жанр трека, основываясь на его характеристиках.

**Задачи оценки:** оценить качество работы модели дерева решений и выявить
наиболее значимые признаки набора данных.

---
### Пример работы

*Датасет, сформированный из случайных строк csv-файла.*
![Graphics](1_dataset.jpg)

---
*Сравнение на оставшихся неиспользованных 0,5% строк датасета
предсказнных и действительных жанров.*

![Graphics](2_accuracy_score.jpg)

---
*Вычисленнные коэффициенты влияния признаков на прогноз жанра*

![Graphics](3_feature_importances.jpg)

---

### Вывод
Посредством предобработки датасета дерево решений без проблем обучилось и
частично верно предсказало некоторые жанры (в частности, Электро, Классику
и Рэп). Также модель показала оценку влиятельности признаков на прогноз
жанра. Самым влиятельным признаком оказалась **акустичность** музыкального
трека. Менее значимыми оказались речевость (преобладание голосов в треке) и
инструментальность (преобладание живых инструментов в треке), что звучит
вполне разумно.

На практике дерево решений по качеству классификации уступает некоторым
другим методам. Помимо этого, небольшие изменения в данных могут существенно
изменять построенное дерево решений. На примере моего датасета дерево решений
справилось не очень успешно. Это можно объяснить тем, что данных в нём
недостаточно для предсказания жанра. Но также стоит отметить, что
жанр – одно из самых неоднозначных, самых многосоставных музыкальных понятий.