73 lines
3.4 KiB
Python
73 lines
3.4 KiB
Python
import pandas as pd
|
||
from sklearn.feature_extraction.text import TfidfVectorizer
|
||
from sklearn.preprocessing import LabelEncoder
|
||
from sklearn.model_selection import train_test_split
|
||
from sklearn.preprocessing import StandardScaler
|
||
from sklearn.neural_network import MLPClassifier, MLPRegressor
|
||
from sklearn.metrics import accuracy_score, classification_report
|
||
import matplotlib.pyplot as plt
|
||
|
||
filename = "mobiles.csv"
|
||
# Считываем данные из файла в DataFrame
|
||
data = pd.read_csv(filename, sep=',')
|
||
# Удаляем столбец с идентификатором
|
||
data.pop("Id")
|
||
|
||
# Приведение строковых значений признаков к численным при помощи векторайзера с суммированием
|
||
FEATURE_COLUMNS_TO_PROC = ['Name', 'Brand', 'Model', 'Operating system']
|
||
for column_name in FEATURE_COLUMNS_TO_PROC:
|
||
vectorizer = TfidfVectorizer()
|
||
train_text_feature_matrix = vectorizer.fit_transform(data[column_name]).toarray()
|
||
a = pd.DataFrame(train_text_feature_matrix)
|
||
data[column_name] = a[a.columns[1:]].apply(lambda x: sum(x.dropna().astype(float)), axis = 1)
|
||
|
||
# Приведение строковых значений к численным при помощи числового кодирования LabelEncoder
|
||
le = LabelEncoder()
|
||
data['Touchscreen'] = le.fit_transform(data['Touchscreen'])
|
||
data['Wi-Fi'] = le.fit_transform(data['Wi-Fi'])
|
||
data['Bluetooth'] = le.fit_transform(data['Bluetooth'])
|
||
data['GPS'] = le.fit_transform(data['GPS'])
|
||
data['3G'] = le.fit_transform(data['3G'])
|
||
data['4G/ LTE'] = le.fit_transform(data['4G/ LTE'])
|
||
|
||
# В Y помещаем целевой признак - цену
|
||
Y = data['Price']
|
||
# В X помещаем остальные признаки
|
||
X = data.drop(columns='Price')
|
||
|
||
# Разделение данных на обучающую (99%) и тестовую (1%) выборки
|
||
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.01, random_state=42)
|
||
|
||
# Нормализация признаков
|
||
scaler = StandardScaler()
|
||
X_train = scaler.fit_transform(X_train)
|
||
X_test = scaler.transform(X_test)
|
||
|
||
mlp = MLPClassifier(
|
||
hidden_layer_sizes=(50, 50), # 2 скрытых слоя с 50 нейронами на каждом
|
||
activation='relu', # функция активации
|
||
alpha=0.01, # L2 штраф (регуляризация)
|
||
max_iter=1000, # максимальное кол-во итераций
|
||
random_state=42, # Random начало для воспроизведения результата
|
||
verbose=True, # отображения итераций
|
||
)
|
||
|
||
mlp.fit(X_train, y_train)
|
||
|
||
# Предсказание на тестовых данных
|
||
y_pred = mlp.predict(X_test)
|
||
|
||
# Оценка производительности модели
|
||
accuracy = accuracy_score(y_test, y_pred)
|
||
|
||
# Вывод результатов
|
||
print("Оценка работы модели MLPClassifier:")
|
||
print(f'Accuracy: {accuracy}')
|
||
|
||
plt.figure(1, figsize=(12, 7))
|
||
plt.title('Сравнение ожидаемых и фактических результатов предсказания цены телефона')
|
||
plt.scatter(x=[i for i in range(len(X_test))], y=y_test, c='green', s=8)
|
||
plt.scatter(x=[i for i in range(len(X_test))], y=y_pred, c='red', s=8)
|
||
plt.savefig('plot_MLPClassifier.png')
|
||
plt.show()
|