82 lines
5.5 KiB
Markdown
82 lines
5.5 KiB
Markdown
# Лабораторная работа №6
|
||
|
||
## Нейронная сеть
|
||
|
||
#### ПИбд-41 Арзамаскина Милана
|
||
#### Вариант №2
|
||
|
||
## Задание:
|
||
|
||
Использовать нейронную сеть для данных из таблицы 1 по варианту,
|
||
самостоятельно сформулировав задачу.
|
||
Интерпретировать результаты и оценить, насколько хорошо она подходит для решения сформулированной вами задачи.
|
||
|
||
Задача по варианту №2: с помощью нейронной сети MLPRegressor.
|
||
|
||
#### Формулировка задачи:
|
||
Задача: посмотреть, как зависит количество выбросов промышленным производством,
|
||
от таких признаков как: выбросы от сжигания и газа.
|
||
|
||
Зависит ли количество выбросов промышленным производством от сжигания (огня) и газа,
|
||
так как производства могут применять сжигание с целью избавления от промышленных выбросов.
|
||
|
||
## Данные:
|
||
|
||
Этот набор данных обеспечивает углубленный анализ глобальных выбросов CO2 на уровне страны, позволяя лучше понять,
|
||
какой вклад каждая страна вносит в глобальное совокупное воздействие человека на климат.
|
||
Он содержит информацию об общих выбросах, а также от добычи и сжигания угля, нефти, газа, цемента и других источников.
|
||
Данные также дают разбивку выбросов CO2 на душу населения по странам, показывая,
|
||
какие страны лидируют по уровням загрязнения, и определяют потенциальные области,
|
||
где следует сосредоточить усилия по сокращению выбросов.
|
||
Этот набор данных необходим всем, кто хочет получить информацию о своем воздействии на окружающую среду
|
||
или провести исследование тенденций международного развития.
|
||
|
||
Данные организованы с использованием следующих столбцов:
|
||
|
||
+ Country: название страны
|
||
+ ISO 3166-1 alpha-3: трехбуквенный код страны
|
||
+ Year: год данных исследования
|
||
+ Total: общее количество CO2, выброшенное страной в этом году
|
||
+ Coal: количество CO2, выброшенное углем в этом году
|
||
+ Oil: количество выбросов нефти
|
||
+ Gas: количество выбросов газа
|
||
+ Cement: количество выбросов цемента
|
||
+ Flaring: выбросы от сжигания
|
||
+ Other: другие формы, такие как промышленные процессы
|
||
+ Per Capita: столбец «на душу населения»
|
||
|
||
|
||
### Какие технологии использовались:
|
||
|
||
Используемые библиотеки:
|
||
* pandas
|
||
* matplotlib
|
||
* sklearn
|
||
|
||
### Как запустить:
|
||
|
||
* установить python, sklearn, pandas, matplotlib
|
||
* запустить проект (стартовая точка - main.py)
|
||
|
||
### Что делает программа:
|
||
|
||
* Загружает набор данных из файла 'CO2.csv', который содержит информацию о выбросах странами CO2 в год от различной промышленной деятельности.
|
||
* Очищает набор данных путём удаления строк с нулевыми значениями и глобальными значениями по всем странам (строки 'Global') из набора.
|
||
* Выбирает набор признаков (features) из данных, которые будут использоваться.
|
||
* Определяет целевую переменную (task) является 'other'.
|
||
* Делит данные на обучающий и тестовый наборы для обеих задач с использованием функции train_test_split. Тестовый набор составляет 10% от исходных данных.
|
||
* Решает задачу регрессии с помощью нейронной сети MLPRegressor.
|
||
* Предсказывает значения целевой переменной на тестовых наборах.
|
||
* Выводит коэффициент детерминации для оценки соответствия модели данным.
|
||
|
||
|
||
#### Результаты работы программы:
|
||
|
||
|
||
|
||
|
||
|
||
### Вывод:
|
||
|
||
Точность работы модели на выбранных данных достаточно низкая, модель не справилась со своей задачей, возможно,
|
||
другие методы могут выдать лучшие результаты, либо необходима модификация модели. |