4.9 KiB
Лабораторная работа 6. Нейронная сеть
Задание на лабораторную:
Использовать нейронную сеть для данных из курсовой работы, самостоятельно сформулировав задачу. Интерпретировать результаты и оценить, насколько хорошо она подходит для решения сформулированной вами задачи.
Вариант 20 (четный). Нейроная сеть: MLPRegressor.
Набор данных: "Moscow tutors". Ссылка: https://www.kaggle.com/datasets/vadimantipov/moscow-tutors
Задача: предсказать стоимость занятий репетиторов на основе имеющихся данных.
Как запустить лабораторную работу:
Для запуска лабораторной работы необходимо открыть файл lr6.py, нажать на ПКМ и в выпадающем списке выбрать опцию "Run".
Технологии:
Pandas - это библиотека на языке Python, которая предоставляет удобные и эффективные инструменты для обработки и анализа данных. Она предоставляет высокоуровневые структуры данных, такие как DataFrame, которые позволяют легко и гибко работать с табличными данными.
Matplotlib - это библиотека визуализации данных на языке программирования Python, которая предоставляет широкий спектр инструментов для создания различных типов графиков, диаграмм и визуализаций данных.
Scikit-learn (Sklearn) - это библиотека для языка программирования Python, которая предоставляет инструменты для разработки и применения различных алгоритмов машинного обучения, включая классификацию, регрессию, кластеризацию, снижение размерности и многое другое. Scikit-learn также предлагает функции для предобработки данных, оценки моделей и выбора наилучших параметров.
Что делает лабораторная работа:
В лабораторной работе сначала загружаются данные из файла tutors.csv, пустые значения убираются из выборки, строковые значения приводятся к числовому типу.
Далее происходит разделение данных на обучащий (95% данных) и тестовый (5% данных) наборы при помощи функции train_test_split.
Перед обучением модели данные масштабируются с использованием StandardScaler.
После создается модель MLPRegressor, происходит обучение модели на тренировочных данных, предсказание стоимости занятий и оценка качества модели.
Результатом работы являются предсказанные стоимости занятий и оценка качества модели, выведенные в консоль, а также график, отображающий фактические и предсказанные стоимости занятий репетиторов.
Пример выходных данных:
Оценка качества модели и стоимости занятий
График
Вывод: результатом лабораторной работы стали предсказанные стоимости занятий репетиторов, полученные при помощи нейроной сети MLPRegressor. Оценка качества модели показала результат 0.07, что является очень низким значением (чуть выше, чем у линейной регрессии) и говорит о том, что нейроная сеть MLPRegressor плохо справилась со своей задачей. По фактическим и предсказанным стоимостям в консоли и на графике видно, что значения сильно расходятся.