IIS_2023_1/malkova_anastasia_lab_6

Лабораторная работа №6

Нейронная сеть

Как запустить лабораторную работу

1. Установить python, numpy, sklearn
2. Запустить команду python main.py в корне проекта

Использованные технологии

• Язык программирования python
• Библиотеки numpy, sklearn
• Среда разработки PyCharm

Что делает программа?

Цель программы: на основе данных об автомобилях на вторичном рынке обучить модель нейронной сети MLPRegressor на предсказание цены.

Модель: MLPRegressor

Выбранные признаки:

• year
• mileage
• state

Сеть из 1 слоя в 20 нейронов

Обучение на 2 вариантах random state

Оценки качества по MAPE:

min: 91.89810260464559 median: 91.91394036274613 max: 91.92977812084669 std: 0.015837758100552435

Выводы: качество хорошее, но всё ещё есть доля ошибки. При этом разброс оценок качества 0.01 процента показывает, что random state не сильно влияет на итоговое качество модели.

Обучение на 20 вариантах random state

min: 91.47984008974515 median: 91.97261118318303 max: 92.36410228588716 std: 0.22711198255843948

Выводы: качество неудовлетворительное. Похоже на переобучение. Разброс всё ещё небольшой 0.2 показывает, что random state не сильно влияет на итоговое качество модели.

Сеть из 2 слоев по 20 нейронов

Обучение на 2 вариантах random state

min: 91.12873208155982 median: 91.44458715556677 max: 91.76044222957371 std: 0.31585507400694723

Обучение на 20 вариантах random state

min: 90.17104509583521 median: 91.85328507593465 max: 92.43304446695873 std: 0.5086054377534013

Выводы: Оптимальный результат 92.43%. Качество хорошее, но процент ошибки всё ещё большой. Поэтому для решения поставленной задачи MLPRegressor с предложенными параметрами не подходит.