46 lines
2.7 KiB
Markdown
46 lines
2.7 KiB
Markdown
# Лабораторная работа №6. Нейронная сеть
|
||
## 1 вариант(27 % 2 = 1)
|
||
### 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.
|
||
|
||
Используемый метод: MLPClassifier
|
||
|
||
В моем случае данными является датасет о продаже автомобилей. В датасете представлены следующие столбцы:
|
||
* id
|
||
* Company Name
|
||
* Model Name
|
||
* Price
|
||
* Model Year
|
||
* Location
|
||
* Mileage
|
||
* Engine Type
|
||
* Engine Capacity
|
||
* Color
|
||
* Assembly
|
||
* Body Type
|
||
* Transmission Type
|
||
* Registration Status
|
||
|
||
### Как запустить лабораторную
|
||
1. Запустить файл main.py
|
||
|
||
### Используемые технологии
|
||
1. Библиотека matplotlib
|
||
2. Библиотека scikit-learn
|
||
3. Библиотека pandas
|
||
3. Python
|
||
4. IDE PyCharm
|
||
|
||
### Описание лабораторной работы
|
||
Программа выполняет создание и обучение нейронной сети с помощью MLPClassifier, после чего
|
||
Для работы программы выбирается часть данных(Ввиду того, что работы программы на полном объеме данных требует больших вычислительных мощностей). Данные разделяются на тестовый и тренировочный наборы,
|
||
строится модель нейронной сети, которая обучается на тестовом наборе данных, после чего оценивается её качество на оставшихся данных.
|
||
После чего строится график, который показывается на экране, а так же сохраняется в папке проекта.
|
||
Точность: 0.9283387622149837
|
||
Скриншот работы программы представлен в папке проекта.
|
||
### Результат
|
||
Ввиду того, что точность работы модели составляет 0.9283387622149837, это может говорить о том, что нейронная сеть хорошо справляется в предсказании статуса регистрации автомобиля. |