IIS_2023_1/kozlov_alexey_lab_6

Лабораторная работа №6. Нейронная сеть

14 вариант

---

Задание:

Использовать нейронную сеть (четные варианты –MLPRegressor, нечетные –MLPClassifier) для данных из таблицы 1 по варианту, самостоятельно сформулировав задачу. Интерпретировать результаты и оценить, насколько хорошо она подходит для решения сформулированной вами задачи.

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
  • matplotlib
  • numpy
  • pandas

Описание программы

Код программы выполняет следующие действия:

1. Импортирует необходимые библиотеки: pandas, numpy, sklearn.metrics, sklearn.model_selection, sklearn.neural_network и sklearn.preprocessing.
2. Загружает данные из файла "spotify.csv" в объект DataFrame.
3. Удаляет все строки с пропущенными значениями из DataFrame.
4. Удаляет столбец 'artist(s)_name' из DataFrame.
5. Заменяет запятые в столбце 'in_deezer_playlists' на пустые символы.
6. Преобразует значения в столбце 'in_deezer_playlists' в тип int64.
7. Заменяет запятые в столбце 'in_shazam_charts' на пустые символы.
8. Преобразует значения в столбце 'in_shazam_charts' в тип int64.
9. Создает словарь соответствия числовых значений и названий треков.
10. Заменяет значения в столбце 'track_name' на числовые значения, используя словарь из пункта 9.
11. Создает словарь соответствия числовых значений и названий тональности.
12. Заменяет значения в столбце 'key' на числовые значения, используя словарь из пункта 11.
13. Создает словарь соответствия числовых значений и режимов песни.
14. Заменяет значения в столбце 'mode' на числовые значения, используя словарь из пункта 13.
15. Разделяет данные на обучающую и тестовую выборки, используя train_test_split.
16. Нормализует данные обучающей и тестовой выборок с помощью StandardScaler.
17. Создает и обучает модель MLPRegressor с заданными параметрами (скрытые слои размером (100, 100), функция активации - 'relu', оптимизатор - 'adam').
18. Предсказывает значения на тестовой выборке с помощью обученной модели.
19. Вычисляет оценки качества модели - среднеквадратическую ошибку (MSE) и коэффициент детерминации (R^2 Score).
20. Выводит значения MSE и R^2 Score.

---

Пример работы

Значение метрик среднеквадратической ошибки (MSE) и коэффициента детерминации (R^2 Score)

Вывод

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

1. Значение среднеквадратической ошибки (Mean Squared Error) составляет 7538542.116221244. Это означает, что среднеквадратичное отклонение прогнозов модели от фактических значений составляет примерно 7538542.116221244. Чем меньше это значение, тем ближе прогнозы модели к фактическим значениям.

2. Значение коэффициента детерминации (R^2 Score) составляет 0.8520198757619463. Это означает, что модель объясняет примерно 85.2% дисперсии зависимой переменной (изменчивости в данных). Чем ближе значение коэффициента детерминации к 1, тем лучше модель соответствует данным.

Таким образом, на основе предоставленных данных можно сказать, что модель имеет достаточно низкую среднеквадратическую ошибку и высокий коэффициент детерминации, пожтому MLPRegressor не подходит для сформулированной задачи.