IIS_2023_1/basharin_sevastyan_lab_5
2023-12-02 21:41:32 +04:00
..
main.py wait 2023-12-02 21:41:32 +04:00
README.md wait 2023-12-02 21:41:32 +04:00

Линейная регрессия

Лабораторная работа 3. Вариант 5.

Задание

Использовать регрессию по варианту для данных из курсовой работы. Самостоятельно сформулировав задачу. Интерпретировать результаты и оценить, насколько хорошо он подходит для решения сформулированной задачи.

Модель регрессии:

  • Линейная регрессия

Как запустить

Для запуска программы необходимо с помощью командной строки в корневой директории файлов прокета прописать:

python main.py

Используемые технологии

  • Библиотека pandas, используемая для работы с данными для анализа scv формата.
  • sklearn (scikit-learn): Scikit-learn - это библиотека для машинного обучения и анализа данных в Python. Из данной библиотеки были использованы следующие модули:
    • metrics - набор инструменов для оценки моделей
    • DecisionTreeClassifier - классификатор, реализующий алгоритм дерева решений. Дерево решений - это модель машинного обучения, которая разбивает данные на рекурсивные решения на основе значений признаков. Она используется для задач классификации и регрессии.
    • accuracy_score -функция из scikit-learn, которая используется для оценки производительности модели классификации путем вычисления доли правильно классифицированных примеров (точности) на тестовом наборе данных.
    • train_test_split - это функция из scikit-learn, используемая для разделения набора данных на обучающий и тестовый наборы.
    • LabelEncoder - это класс из scikit-learn, используемый для преобразования категориальных признаков (например, строки) в числовые значения.

Описание работы

Описание набора данных

Набор данных: набор данных о цене автомобиля в автопарке.

Названия столбцов набора данных и их описание:

  • Id: Уникальный идентификатор для каждого автомобиля в списке.
  • Price: Ценовой диапазон автомобилей с конкретными ценниками и подсчетами. (111000 - 77500000)
  • Company Name: Название компании-производителя автомобилей с указанием процентной доли представительства каждой компании.
  • Model Name: Название модели автомобилей с указанием процентного соотношения каждой модели.
  • Model Year: Диапазон лет выпуска автомобилей с указанием количества и процентных соотношений. (1990 - 2019)
  • Location: Местоположение автомобилей с указанием регионов, где они доступны для покупки, а также их процентное соотношение.
  • Mileage: Информация о пробеге автомобилей с указанием диапазонов пробега, количества и процентов. (1 - 999999)
  • Engine Type: Описания типов двигателей с процентными соотношениями для каждого типа.
  • Engine Capacity: Мощность двигателя варьируется в зависимости от количества и процентов. (16 - 6600)
  • Color: Цветовое распределение автомобилей с указанием процентных соотношений для каждого цвета.
  • Assembly: Импорт или местный рынок.
  • Body Type: Тип кузова.
  • Transmission Type: Тип трансмиссии.
  • Registration Status: Статус регистрации.

Ссылка на страницу набора на kuggle: Ultimate Car Price Prediction Dataset

Формулировка задачи