70 lines
2.8 KiB
Python
70 lines
2.8 KiB
Python
import math
|
||
import pandas as pd
|
||
from sklearn.model_selection import train_test_split
|
||
from sklearn.pipeline import make_pipeline
|
||
from sklearn.preprocessing import PolynomialFeatures
|
||
from sklearn.linear_model import LogisticRegression, LinearRegression
|
||
from sklearn.metrics import mean_squared_error
|
||
|
||
# По варианту 2:
|
||
# предсказание доли выбросов CO2 промышленной деятельностью
|
||
# от общего объёма выбросов CO2 страной в определённый год
|
||
# с помощью логистической регрессии
|
||
|
||
# Дополнительно: с помощью полиномиальной регрессии 3 степени
|
||
|
||
# Загружаем данные из файла
|
||
data = pd.read_csv('CO2.csv')
|
||
data = data.dropna()
|
||
data = data[data.Country != 'Global']
|
||
|
||
# Хеширование наименований стран
|
||
countries = {}
|
||
for country in data['Country']:
|
||
countries[country] = hash(country)
|
||
hash_column = []
|
||
for country in data['Country']:
|
||
hash_column.append(countries[country])
|
||
data.insert(loc=0, column='hashcode', value=hash_column)
|
||
|
||
# Добавление колонки "доля выбросов промышленным производством в стране за год"
|
||
procent_other = []
|
||
others = []
|
||
totals = []
|
||
for other in data['Other']:
|
||
others.append(other)
|
||
for total in data['Total']:
|
||
totals.append(total)
|
||
for i in range(len(others)):
|
||
procent_other.append(math.ceil(others[i]/totals[i]*100))
|
||
data.insert(loc=0, column='procent other', value=procent_other)
|
||
|
||
# Необходимые признаки
|
||
features = data[['Total', 'hashcode', 'Year']]
|
||
|
||
# Задача логистической регрессии
|
||
task = data['procent other']
|
||
|
||
# Разделение данных на обучающую и тестовую выборки
|
||
X_train, X_test, y_train, y_test = train_test_split(features, task, test_size=0.01, random_state=5)
|
||
|
||
# Применение логистической регрессии
|
||
model_logic = LogisticRegression(max_iter=1000)
|
||
model_logic.fit(X_train, y_train)
|
||
|
||
# Предсказание на тестовых данных
|
||
y_pred_logic = model_logic.predict(X_test)
|
||
|
||
# Полиномиальная регрессия (degree=3)
|
||
model_poly = make_pipeline(PolynomialFeatures(degree=3), LinearRegression())
|
||
model_poly.fit(X_train, y_train)
|
||
|
||
# Предсказание на тестовых данных
|
||
y_pred_poly = model_poly.predict(X_test)
|
||
|
||
# Оценка регрессионных моделей
|
||
poly_mse = mean_squared_error(y_test, y_pred_poly)
|
||
logic_mse = mean_squared_error(y_test, y_pred_logic)
|
||
|
||
print('Среднеквадратичная ошибка полиномиальной регрессии:', poly_mse)
|
||
print('Среднеквадратичная ошибка логистической регрессии:', logic_mse) |