96 lines
5.9 KiB
Markdown
96 lines
5.9 KiB
Markdown
# Лабораторная работа №6. Нейронная сеть
|
||
## 12 вариант
|
||
___
|
||
|
||
### Задание:
|
||
Использовать регрессию по варианту для своих данных по варианту,
|
||
самостоятельно сформулировав задачу. Оценить, насколько хорошо она
|
||
подходит для решения сформулированной вами задачи.
|
||
|
||
### Вариант:
|
||
- Модель нейронной сети: **MLPRegressor**
|
||
|
||
### Вариант набора данных по курсовой работе:
|
||
- Прогнозирование музыкальных жанров ("Prediction of music genre")
|
||
|
||
___
|
||
|
||
### Запуск
|
||
- Запустить файл lab6.py
|
||
|
||
### Используемые технологии
|
||
- Язык программирования **Python**
|
||
- Среда разработки **PyCharm**
|
||
- Библиотеки:
|
||
* pandas
|
||
* sklearn
|
||
* matplotlib
|
||
* seaborn
|
||
|
||
### 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 нейронной сетью:**
|
||
Предсказание популярности нового музыкального трека на основе его
|
||
определённых характеристик.
|
||
|
||
**Задача оценки:**
|
||
Анализ с помощью коэффициента детерминации и потери регрессии
|
||
среднеквадратичной логарифмической ошибке, плюсом к ним график сравнения
|
||
реальных и предсказанных значений.
|
||
|
||
---
|
||
### Пример работы
|
||
|
||
*Датасет, сформированный из случайных строк csv-файла.*
|
||
|
||
|
||
|
||
---
|
||
|
||
***Коэффициент детерминации** используется для оценки эффективности модели
|
||
линейной регрессии. Он показывает, насколько хорошо наблюдаемые результаты
|
||
воспроизводятся моделью, в зависимости от соотношения суммарных отклонений
|
||
результатов, описываемых моделью. По выводу можно отметить, что 33,4%
|
||
изменчивости зависимого выходного атрибута можно объяснить с помощью модели,
|
||
в то время как остальные 66,6% изменчивости все ещё не учтены.*
|
||
|
||
***Потери регрессии среднеквадратичной логарифмической ошибки (MSLE)** использует
|
||
тот же подход, что и **MSE**, но использует логарифм для компенсации больших
|
||
выбросов в наборе данных и обрабатывает их так, как если бы они были в одном
|
||
масштабе. Это наиболее ценно в стремлении к сбалансированной модели с
|
||
одинаковым процентом ошибок.*
|
||
|
||
|
||
|
||
---
|
||
|
||
*График нейронной сети MLPRegressor, показывающий сравнение реальных
|
||
(ось абсцисс) и предсказанных (ось ординат) данных.*
|
||
|
||
|
||
|
||
---
|
||
|
||
### Вывод
|
||
Итак, нейронная сеть с поставленной задачей по сути не справилась. Работа
|
||
со скрытыми слоями смогла улучшить результат, но лишь на значение, равное 0,100.
|
||
|
||
Использование слишком малого количества нейронов в скрытых слоях приведет к
|
||
недообучению. Недообучение происходит, когда в скрытых слоях слишком мало
|
||
нейронов для адекватного обнаружения сигналов в сложном наборе данных.
|
||
Использование же слишком большого количества нейронов в скрытых слоях может
|
||
привести к переобучению. Очевидно, должен быть достигнут некоторый компромисс
|
||
между слишком большим и слишком малым количеством нейронов в скрытых слоях.
|
||
Я пришёл к тому, что использовал 4 скрытых слоя с 50 нейронов в каждом.
|
||
|
||
Можно сделать заключение, что целевая переменная (процент популярности
|
||
музыкального трека) выбрана неудачно, либо же требуется более детальная
|
||
обработка данных и другой подход к оцениваемым признакам. Как вариант,
|
||
можно рассмотреть StandardScaler или MinMaxScaler на этапе предварительной
|
||
обработки данных. Но как упоминалось в прошлой лабораторной работе,
|
||
популярность музыкального трека слишком неоднозначная величина, которую
|
||
саму по себе предсказать не просто, так как нет точной формулы песни,
|
||
которая взлетит в чартах. Искусство само по себе коварное :) |