32 lines
2.7 KiB
Markdown
32 lines
2.7 KiB
Markdown
Лабораторная работа №6
|
||
|
||
Вариант №4
|
||
|
||
Задание на лабораторную:
|
||
|
||
Использовать нейронную сеть MLPRegressor для данных из курсовой работы, самостоятельно сформулировав задачу. Интерпретировать результаты и оценить, насколько хорошо она подходит для решения сформулированной вами задачи.
|
||
|
||
Как запустить лабораторную работу:
|
||
|
||
Чтобы увидеть работу программы, нужно запустить исполняемый питон файл senkin_alexander_lab_6.py, после чего будут результаты выведены в консоль и отрисован график, по этим данным можно сделать выводы.
|
||
|
||
Библиотеки:
|
||
|
||
Sklearn - библиотека с большим количеством алгоритмов машинного обучения.
|
||
Matplotlib - это библиотека для создания графиков и визуализации данных. Она используется для отображения данных на графиках.
|
||
|
||
Задача:
|
||
|
||
Было решено посмотреть, как зависит количество несчастных случаев(inj), от таких признаков как: магнитуда(mag) и фатальные исходы(fat)
|
||
|
||
Описание программы:
|
||
|
||
- Загружаем данные из csv файла.
|
||
- Разделяем данные на обучающее и тестовые.
|
||
- Задаем MLPRegressor и обучаем.
|
||
- Оцениваем качество модели на тестовой выборке.
|
||
- Предсказываем количество несчастных случаев.
|
||
- Вывод результаты в консоль и рисуем график:
|
||
- 
|
||
- 
|
||
- Анализируем и делаем выводы, что коэфициент детерминации хороший, что говорит о точности модели, также это можно увидеть по графику. Для эксперимента я взял одно из значений в своей таблице, где mag = 3, fat = 1 и inj = 14. Нейронная сеть выдала результат в 15.027.., что является неплохим результатом. Делаем вывод, что MLPRegressor - хорошо подходит для выбранных данных. |