IIS_2023_1/shadaev_anton_lab_6

IIS_2023_1

Задание

Использовать нейронную сеть (четные варианты –MLPRegressor, нечетные –MLPClassifier) для данных из таблицы 1 по варианту, самостоятельно сформулировав задачу. Интерпретировать результаты и оценить, насколько хорошо она подходит для решения сформулированной вами задачи.

29 Вариант. MLPClassifier.

Способ запуска лабораторной работы

Выполнить скрипт shadaev_anton_lab_6/main.py, после которого результат будет выведен в консоль.

Стек технологий

• Python: v. 3.11
• Pandas - библиотека, которая позволяет работать с двумерными и многомерными таблицами, строить сводные таблицы, выделять колонки, использовать фильтры по параметрам, выполнять группировку по параметрам, запускать функции (сложение, нахождение медианы, среднего, минимального, максимального значений), объединять таблицы и многое другое
• Sklearn - библиотека, которая предоставляет ряд инструментов для моделирования данных, включая классификацию, регрессию, кластеризацию и уменьшение размерности.

Описание кода

1. Загрузка данных - Сначала загружаются данные из файла 'stroke_prediction_ds.csv' с помощью функции pd.read_csv().

2. Выделение признаков и целевой переменной - Затем выбираются признаки 'hypertension', 'heart_disease' и 'avg_glucose_level' в качестве входных данных, а 'age' выбирается в качестве целевой переменной.

3. Определение категорий для целевой переменной - Целевая переменная 'age' делится на категории с помощью функции 'pd.qcut()'. Это делается для преобразования непрерывной переменной в категориальную.

4. Разделение данных на обучающий и тестовый наборы - Данные затем разделяются на обучающий и тестовый наборы с использованием функции train_test_split().

5. Нормализация данных - Нормализация данных выполняется с помощью класса MinMaxScaler из библиотеки sklearn. Это делается для того, чтобы все признаки были в одном масштабе, что может улучшить производительность модели.

6. Обучение модели - Далее создается и обучается модель MLPClassifier (многослойный перцептрон), которая применяется для классификации данных.

7. Предсказание на тестовых данных - После обучения модели производятся предсказания на тестовых данных.

8. Оценка производительности модели - После предсказания модели оценивается с помощью метрик точности (accuracy_score) и отчета классификации (classification_report).

9. Вывод результатов - Наконец, результаты оценок модели выводятся на экран.

Результат:

Вывод

• Точность (Accuracy) - это общая метрика, которая измеряет долю правильных прогнозов от общего количества прогнозов - в моем случае составляет ~0.48, что означает, что модель правильно предсказала 48% случаев
• Точность (Precision) - это доля правильных прогнозов среди всех прогнозов, сделанных моделью - в моем случае, например, точность для класса "18 лет" составляет 0.43, что означает, что из всех случаев, когда модель предсказывала "18 лет", на самом деле было "18 лет" в 43% случаев.
• Полнота (Recall) - это доля правильных прогнозов среди всех фактических положительных случаев - в моем случае, например, полнота для класса "18 лет" составляет 0.93, что означает, что из всех фактических случаев "18 лет", модель правильно предсказала в 93% случаях.
• F1-score - это среднее гармоническое точности и полноты, и оно дает общее представление о том, насколько хорошо модель работает на данном классе - в моем случае, например, F1-score для класса "18 лет" составляет 0.59.
• Поддержка (Support) - это количество наблюдений в каждом классе - в моем случае, например, поддержка для класса "18 лет" составляет 352.

Общая точность составляет 0.48, что указывает на то, что модель в целом работает не очень хорошо.