84 lines
3.6 KiB
Python
84 lines
3.6 KiB
Python
"""
|
||
Использовать нейронную сеть по варианту для ваших данных по варианту, самостоятельно сформулировав задачу.
|
||
Интерпретировать результаты и оценить, насколько хорошо она подходит для решения сформулированной вами задачи.
|
||
"""
|
||
|
||
"""
|
||
Задача, решаемая нейронной сетью:
|
||
Регрессия: Предсказание популярности нового музыкального трека на основе его определённых характеристик.
|
||
"""
|
||
|
||
# 12 вариант
|
||
# Набор данных по курсовой: "Prediction of music genre"
|
||
# Модель мейронной сети: MLPRegressor
|
||
|
||
import pandas as pd
|
||
import seaborn as sns
|
||
import matplotlib.pyplot as plt
|
||
from sklearn import metrics
|
||
from sklearn.neural_network import MLPRegressor
|
||
from sklearn.model_selection import train_test_split
|
||
|
||
|
||
|
||
DATASET_FILE = 'music_genre.csv'
|
||
|
||
|
||
def main():
|
||
df = open_dataset(DATASET_FILE) # берём полный набор данных
|
||
print("\033[92m[----------> Набор данных <----------]\033[00m")
|
||
print(df)
|
||
|
||
# Перевод ладов (минор/мажор) в числовые признаки
|
||
df_music = df.copy()
|
||
df_music['mode'] = df_music['mode'].apply(lambda x: 1 if x == 'Major' else 0)
|
||
|
||
X = df_music.drop(columns=['popularity']) # характеристики музыкального трека
|
||
y = df_music['popularity'] # уровень популярности
|
||
|
||
# Разделение датасета на тренировочные (99%) и тестовые данные (1%)
|
||
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.01)
|
||
|
||
model = MLPRegressor(
|
||
# несколько размеров слоёв и узлов
|
||
hidden_layer_sizes=(50, 50, 50, 50,),
|
||
# функция активации (relu, tanh, identity)
|
||
activation='relu',
|
||
max_iter=2000
|
||
)
|
||
model.fit(X_train, y_train)
|
||
|
||
# Предсказание на тестовых данных
|
||
y_pred = model.predict(X_test)
|
||
|
||
print("\033[92m[----------> Оценка модели <----------]\033[00m")
|
||
print("Коэффициент детерминации = ",
|
||
round(metrics.r2_score(y_test, y_pred), 3))
|
||
print("Потери регрессии среднеквадратичной логарифмической ошибки = ",
|
||
round(metrics.mean_squared_log_error(y_test, y_pred), 3))
|
||
|
||
# График для наглядности
|
||
sns.regplot(x=y_test, y=y_pred, scatter_kws={'s': 10}, line_kws={'color': 'red'})
|
||
plt.xlabel('Реальность')
|
||
plt.ylabel('Предсказание')
|
||
plt.title('MLPRegressor на примере популярности треков')
|
||
plt.savefig("1_plot_result")
|
||
plt.show()
|
||
|
||
|
||
# Функция считывания и очищения csv-файла
|
||
def open_dataset(csv_file):
|
||
# открываем файл с указанием знака-отделителя
|
||
df = pd.read_csv(csv_file, delimiter=',')
|
||
# выбираем необходимые признаки
|
||
df = df[['mode', 'tempo', 'instrumentalness', 'acousticness', 'speechiness', 'danceability',
|
||
'energy', 'liveness', 'valence', 'loudness', 'popularity']]
|
||
# очищаем набор данных от пустых и неподходящих значений
|
||
df = df[df['tempo'] != '?']
|
||
df = df.dropna()
|
||
return df
|
||
|
||
|
||
|
||
if __name__ == "__main__":
|
||
main() |