111 lines
8.1 KiB
Markdown
111 lines
8.1 KiB
Markdown
# Лабораторная работа №3. Деревья решений
|
||
## 14 вариант
|
||
___
|
||
|
||
### Задание:
|
||
Решите с помощью библиотечной реализации дерева решений задачу из лабораторной работы «Веб-сервис «Дерево решений» по предмету «Методы искусственного интеллекта»на 99% ваших данных. Проверьте работу модели на оставшемся проценте, сделайте вывод
|
||
|
||
### Описание используемого набора данных:
|
||
Объектом исследования является набор данных, который размещен на платформе Kaggle (https://www.kaggle.com/datasets/nelgiriyewithana/top-spotify-songs-2023/data). Он представляет собой полный список самых известных песен 2023 года, перечисленных на Spotify. Данный набор представлен в виде файла spotify.csv
|
||
|
||
Столбцами являются:
|
||
1. track_name – Название композиции
|
||
2. artist(s)_name – Имя исполнителя/имена исполнителей песни.
|
||
3. artist_count – Количество исполнителей, участвовавших в со-здании песни
|
||
4. released_year – Год, когда песня была выпущена
|
||
5. released_month – Месяц, когда песня была выпущена
|
||
6. released_day – День месяца, когда песня была выпущена.
|
||
7. in_spotify_playlists – Количество плейлистов Spotify, в которые песня включена
|
||
8. in_spotify_charts – Присутствие и рейтинг песни в чартах Spotify.
|
||
9. streams – Общее количество прослушиваний в Spotify.
|
||
10. in_apple_playlists – Количество плейлистов Apple Music, в которые песня включена.
|
||
11. in_apple_charts – Присутствие и рейтинг песни в чартах Apple Music.
|
||
12. in_deezer_playlists – Количество плейлистов Deezer, в ко-торые песня включена.
|
||
13. in_deezer_charts – Присутствие и рейтинг песни в чартах Deezer
|
||
14. in_shazam_charts – Присутствие и рейтинг песни в чартах Shazam.
|
||
15. bpm – Количество ударов в минуту, показатель темпа песни.
|
||
16. key – Тональность песни.
|
||
17. mode – Режим песни (мажорный или минорный).
|
||
18. danceability_% – Процент, указывающий, насколько песня подходит для танцев.
|
||
19. valence_% - Позитивность музыкального содержания пес-ни
|
||
20. energy_% - Воспринимаемый уровень энергии песни
|
||
21. acousticness_% - Количество акустического звука в песне
|
||
22. instrumentalness_% - Количество инструментального кон-тента в песне
|
||
23. liveness_% - Наличие элементов живого исполнения
|
||
24. speechiness_% - Количество произнесенных слов в песне
|
||
|
||
Задачей регрессии на данном наборе данных является прогнозирование значения столбца «in_spotify_playlists» по столбцам «streams», «in_apple_playlists», «in_deezer_playlists» и «bpm».
|
||
___
|
||
|
||
### Запуск
|
||
- Запустить файл lab6.py
|
||
|
||
### Используемые технологии
|
||
- Язык программирования **Python**
|
||
- Среда разработки **PyCharm**
|
||
- Библиотеки:
|
||
* sklearn
|
||
* numpy
|
||
* pandas
|
||
|
||
### Описание программы
|
||
Код программы выполняет следующие действия:
|
||
|
||
1. Импортирует необходимые библиотеки: pandas, numpy, train_test_split из sklearn.model_selection и DecisionTreeClassifier из sklearn.tree.
|
||
|
||
2. Загружает данные из файла "spotify.csv" в объект DataFrame под названием "data".
|
||
|
||
3. Удаляет все строки с пропущенными значениями из DataFrame "data".
|
||
|
||
4. Удаляет столбец "artist(s)_name" из DataFrame "data".
|
||
|
||
5. Задает список столбцов, которые требуется нормализовать.
|
||
|
||
6. Проходит по каждому столбцу из списка "columns_to_normalize" и выполнит нормализацию значений в диапазоне от 0 до 1.
|
||
|
||
7. Удаляет запятые из значений в столбце "in_deezer_playlists".
|
||
|
||
8. Приводит столбец "in_deezer_playlists" к числовому типу данных (np.int64).
|
||
|
||
9. Удаляет запятые из значений в столбце "in_shazam_charts".
|
||
|
||
10. Приводит столбец "in_shazam_charts" к числовому типу данных (np.int64).
|
||
|
||
11. Создает словарь "track_name_dict" соответствия числовых значений и названий трека.
|
||
|
||
12. Заменяет значения в столбце "track_name" на числовые значения согласно словарю "track_name_dict".
|
||
|
||
13. Создает словарь "key_dict" соответствия числовых значений и тональностей.
|
||
|
||
14. Заменяет значения в столбце "key" на числовые значения согласно словарю "key_dict".
|
||
|
||
15. Создает словарь "mode_dict" соответствия числовых значений и режимов песни.
|
||
|
||
16. Заменяет значения в столбце "mode" на числовые значения согласно словарю "mode_dict".
|
||
|
||
17. Разбивает данные на обучающую и тестовую выборки (X_train, X_test, y_train, y_test) с помощью функции train_test_split.
|
||
|
||
18. Инициализирует модель DecisionTreeClassifier с параметром random_state=241.
|
||
|
||
19. Обучает модель на обучающих данных (X_train, y_train) с помощью метода fit.
|
||
|
||
20. Вычисляет важность каждого признака с помощью атрибута feature_importances_ модели и сохраняет результаты в переменной "importances".
|
||
|
||
21. Получает список названий столбцов из DataFrame "data" и сохраняет их в переменной "columns".
|
||
|
||
22. Выводит важность каждого признака по результатам ранжирования в порядке убывания с помощью цикла и функции print. Каждая строка состоит из названия признака и его важности.
|
||
|
||
Таким образом, данный код выполняет предобработку данных, обучает модель DecisionTreeClassifier и оценивает значимость признаков для предсказания переменной "in_spotify_playlists".
|
||
|
||
___
|
||
### Пример работы
|
||
|
||
|
||
```text
|
||
Оценка значимости признаков для предсказания переменной "in_spotify_playlists"
|
||
```
|
||
|
||
### Вывод
|
||
На основе выходных данных можно сделать следующий вывод о работе модели:
|
||
|
||
Наиболее важными признаками для предсказания переменной "in_spotify_playlists" оказались «streams», «in_apple_playlists», «in_deezer_playlists», «bpm». |