58 lines
2.9 KiB
Python
58 lines
2.9 KiB
Python
import pandas as pd
|
||
import numpy as np
|
||
from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score
|
||
from sklearn.model_selection import train_test_split
|
||
from sklearn.neural_network import MLPRegressor
|
||
from sklearn.preprocessing import StandardScaler
|
||
|
||
# Загрузить данные
|
||
data = pd.read_csv("spotify.csv")
|
||
# Удалить все строки с пропусками
|
||
data = data.dropna()
|
||
data.drop('artist(s)_name', axis=1, inplace=True)
|
||
# Удалить запятые из значений в столбце
|
||
data['in_deezer_playlists'] = data['in_deezer_playlists'].str.replace(',', '')
|
||
# Привести столбец к числовому типу данных
|
||
data['in_deezer_playlists'] = data['in_deezer_playlists'].astype(np.int64)
|
||
# Удалить запятые из значений в столбце
|
||
data['in_shazam_charts'] = data['in_shazam_charts'].str.replace(',', '')
|
||
# Привести столбец к числовому типу данных
|
||
data['in_shazam_charts'] = data['in_shazam_charts'].astype(np.int64)
|
||
# Создаем словарь соответствия числовых значений и названий трека
|
||
track_name_dict = {name: index for index, name in enumerate(data['track_name'].unique())}
|
||
# Заменяем значения в столбце на числовые
|
||
data['track_name'] = data['track_name'].map(track_name_dict)
|
||
# Создаем словарь соответствия числовых значений и названий тональности
|
||
key_dict = {'C': 0, 'C#': 1, 'D': 2, 'D#': 3, 'E': 4, 'F': 5, 'F#': 6,
|
||
'G': 7, 'G#': 8, 'A': 9, 'A#': 10, 'B': 11}
|
||
# Заменяем значения в столбце на числовые
|
||
data['key'] = data['key'].map(key_dict)
|
||
# Создаем словарь соответствия числовых значений и режимов песни
|
||
mode_dict = {'Major': 0, 'Minor': 1}
|
||
# Заменяем значения в столбце на числовые
|
||
data['mode'] = data['mode'].map(mode_dict)
|
||
|
||
# Разделение данных на обучающую и тестовую выборки
|
||
regrData = ['in_apple_playlists', 'in_deezer_playlists', 'streams', 'bpm']
|
||
y = data['in_spotify_playlists']
|
||
x_train, x_test, y_train, y_test = train_test_split(data[regrData], y, test_size=0.2, random_state=42)
|
||
|
||
# Нормализация данных
|
||
scaler = StandardScaler()
|
||
X_train_scaled = scaler.fit_transform(x_train)
|
||
X_test_scaled = scaler.transform(x_test)
|
||
|
||
# Создание и обучение модели
|
||
model = MLPRegressor(hidden_layer_sizes=(100, 100), activation='relu', solver='adam', random_state=42)
|
||
model.fit(X_train_scaled, y_train)
|
||
|
||
# Предсказание на тестовых данных
|
||
y_pred = model.predict(X_test_scaled)
|
||
|
||
# Оценка качества модели
|
||
mse = mean_squared_error(y_test, y_pred)
|
||
r2 = r2_score(y_test, y_pred)
|
||
|
||
print("Mean Squared Error:", mse)
|
||
print("R^2 Score:", r2)
|