IIS_2023_1/degtyarev_mikhail_lab_6

Лабораторная 6

Вариант 9

Задание

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

Задача:

Использовать MLPClassifier для прогнозирования заработной платы на основе опыта работы (experience_level), типа занятости (employment_type), местоположения компании (company_location) и размера компании (company_size). Оценить, насколько хорошо нейронная сеть подходит для решения этой задачи.

Описание Программы

Программа представляет собой пример использования MLPClassifier для прогнозирования заработной платы на основе различных признаков.

Используемые библиотеки

• pandas: Библиотека для обработки и анализа данных, используется для загрузки и предобработки данных.
• scikit-learn:
  • train_test_split: Используется для разделения данных на обучающий и тестовый наборы.
  • StandardScaler: Применяется для нормализации числовых признаков.
  • OneHotEncoder: Используется для кодирования категориальных признаков.
  • MLPClassifier: Классификатор многослойного персептрона (нейронная сеть).
  • accuracy_score: Используется для оценки точности классификации.

Шаги программы

1. Загрузка данных:

   • Загружаются данные из файла ds_salaries.csv с использованием библиотеки pandas.

2. Определение категорий заработной платы:

   • Создаются категории заработной платы на основе бинов с использованием pd.cut.

3. Добавление столбца с категориями:

   • Добавляется столбец с категориями в данные.

4. Предварительная обработка данных:

   • Категориальные признаки ('experience_level', 'employment_type', 'job_title', 'employee_residence', 'company_location', 'company_size') обрабатываются с использованием OneHotEncoder.
   • Числовые признаки ('work_year', 'remote_ratio') нормализуются с помощью StandardScaler.
   • Эти шаги объединяются в ColumnTransformer и используются в качестве предварительного обработчика данных.

5. Выбор признаков:

   • Определены признаки, которые будут использоваться для обучения модели.

6. Разделение данных:

   • Данные разделены на обучающий и тестовый наборы в соотношении 80/20 с использованием функции train_test_split.

7. Обучение модели:

   • Используется MLPClassifier, объединенный с предварительным обработчиком данных в рамках Pipeline.

8. Оценка производительности модели:

   • Вычисляется и выводится точность модели с использованием метрики accuracy_score.

Запуск программы

• Склонировать или скачать код main.py.
• Запустите файл в среде, поддерживающей выполнение Python. python main.py

Результаты

• Точность модели оценивается метрикой accuracy, которая может быть выведена в консоль или использована для визуализации.

В данном случае accuracy получилось: 0.5901639344262295

Чем ближе результат к единице, тем лучше, но данный результат в 59% можно считать средним.