85 lines
5.9 KiB
Markdown
85 lines
5.9 KiB
Markdown
# Лаб 3
|
||
|
||
Деревья решений
|
||
|
||
Часть 1. По данным о пассажирах Титаника решите задачу классификации
|
||
(с помощью дерева решений), в которой по различным характеристикам
|
||
пассажиров требуется найти у выживших пассажиров два наиболее важных
|
||
признака из трех рассматриваемых (по варианту). Пример решения задачи
|
||
можно посмотреть здесь: [1] (стр.188). Скачать данные можно по ссылке:
|
||
https://www.kaggle.com/datasets/heptapod/titanic
|
||
|
||
Часть 2. 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 3
|
||
|
||
Признаки Sex,Age,SibSp
|
||
|
||
# Запуск
|
||
|
||
Выполнением скрипта файла (вывод в консоль).
|
||
|
||
# Описание модели:
|
||
|
||
DecisionTreeClassifier - это алгоритм машинного обучения, используемый для задач классификации и регрессии.
|
||
Он представляет собой дерево решений, где на каждом узле дерева решается, какой вопрос задать дальше
|
||
(признак для дальнейшего разбиения данных), а в листьях находятся окончательные ответы.
|
||
|
||
# Результаты
|
||
|
||
На данных для Титаника модель определяет важность признаков с точность 75% (исключает 'sibsp').
|
||
Эти два признака обладают статистической важностью.
|
||
<p>
|
||
<div>Титаник</div>
|
||
<img src="screens/titanic.png" width="650" title="Титаник 1">
|
||
</p>
|
||
|
||
На данных моего датасета модель справляется на 52.768%, если в качестве предлагаемых параметров
|
||
на вход идут ['Gender', 'Debtor', 'International'] (исключает 'International').
|
||
|
||
<p>
|
||
<div>Мой датасет 1</div>
|
||
<img src="screens/mydataset1.png" width="650" title="Мой датасет 1">
|
||
</p>
|
||
|
||
И на 70.961, если на вход идут ['Gender', 'Debtor', 'Curricular units 2nd sem (approved)']
|
||
(исключает 'Gender').
|
||
|
||
<p>
|
||
<div>Мой датасет 2</div>
|
||
<img src="screens/mydataset2.png" width="650" title="Мой датасет 2">
|
||
</p>
|
||
|
||
Такой результат можно объяснить большей значимостью признака 'Curricular units 2nd sem (approved)'
|
||
вместо 'International' (было показано в предыдущей лабораторной).
|
||
|
||
Из-за того, что мы взяли статистически более значимый признак, модель выдает нам большую точность.
|
||
|
||
Точность 52.768% указывает на то, что модель работает на уровне случайности, что означает, что она
|
||
работает не лучше, чем случайное угадывание. Для этого может быть несколько причин:
|
||
|
||
1. Признаки все имеет малое значение: то есть для сравнения подаются признаки статистически малозначимые.
|
||
|
||
2. Недостаточно данных: Набор данных может содержать недостаточно информации или примеров для
|
||
изучения моделью. Если набор данных невелик или нерепрезентативен, модель, возможно, не сможет
|
||
хорошо обобщить новые данные.
|
||
|
||
3. Несбалансированные классы: Если классы в вашей целевой переменной несбалансированы
|
||
(например, случаев, не связанных с отсевом, гораздо больше, чем случаев отсева), модель может
|
||
быть смещена в сторону прогнозирования класса большинства.
|
||
|
||
4. Переобучение: Модель может быть переобучена обучающими данным, что означает, что она изучает шум
|
||
в данных, а не лежащие в их основе закономерности. Это может произойти, если модель слишком сложна по
|
||
сравнению с объемом доступных данных.
|
||
|
||
5. Недостаточное соответствие: С другой стороны, модель может быть слишком простой, чтобы отразить
|
||
взаимосвязи в данных. Важно выбрать соответствующий уровень сложности модели.
|
||
|
||
<div>
|
||
При отборе признаков должна учитываться их статистическая значимость, вычисленная различными способами
|
||
(например с помощью лин регрессии, Random Forest Regressor, линейной корреляции f_regression или других).
|
||
Так же должно быть достаточно данных, в модели должно быть сведено к минимуму переобучение.
|
||
</div> |