92 lines
8.4 KiB
Markdown
92 lines
8.4 KiB
Markdown
# Лабораторная работа №6. Нейронная сеть
|
||
## 14 вариант
|
||
___
|
||
|
||
### 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.
|
||
|
||
### 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
|
||
* matplotlib
|
||
* numpy
|
||
* pandas
|
||
|
||
### Описание программы
|
||
Код программы выполняет следующие действия:
|
||
|
||
1. Импортирует необходимые библиотеки: pandas, numpy, sklearn.metrics, sklearn.model_selection, sklearn.neural_network и sklearn.preprocessing.
|
||
2. Загружает данные из файла "spotify.csv" в объект DataFrame.
|
||
3. Удаляет все строки с пропущенными значениями из DataFrame.
|
||
4. Удаляет столбец 'artist(s)_name' из DataFrame.
|
||
5. Заменяет запятые в столбце 'in_deezer_playlists' на пустые символы.
|
||
6. Преобразует значения в столбце 'in_deezer_playlists' в тип int64.
|
||
7. Заменяет запятые в столбце 'in_shazam_charts' на пустые символы.
|
||
8. Преобразует значения в столбце 'in_shazam_charts' в тип int64.
|
||
9. Создает словарь соответствия числовых значений и названий треков.
|
||
10. Заменяет значения в столбце 'track_name' на числовые значения, используя словарь из пункта 9.
|
||
11. Создает словарь соответствия числовых значений и названий тональности.
|
||
12. Заменяет значения в столбце 'key' на числовые значения, используя словарь из пункта 11.
|
||
13. Создает словарь соответствия числовых значений и режимов песни.
|
||
14. Заменяет значения в столбце 'mode' на числовые значения, используя словарь из пункта 13.
|
||
15. Разделяет данные на обучающую и тестовую выборки, используя train_test_split.
|
||
16. Нормализует данные обучающей и тестовой выборок с помощью StandardScaler.
|
||
17. Создает и обучает модель MLPRegressor с заданными параметрами (скрытые слои размером (100, 100), функция активации - 'relu', оптимизатор - 'adam').
|
||
18. Предсказывает значения на тестовой выборке с помощью обученной модели.
|
||
19. Вычисляет оценки качества модели - среднеквадратическую ошибку (MSE) и коэффициент детерминации (R^2 Score).
|
||
20. Выводит значения MSE и R^2 Score.
|
||
|
||
___
|
||
### Пример работы
|
||
|
||
|
||
```text
|
||
Значение метрик среднеквадратической ошибки (MSE) и коэффициента детерминации (R^2 Score)
|
||
```
|
||
|
||
### Вывод
|
||
На основе выходных данных можно сделать следующий вывод о работе модели:
|
||
|
||
1. Значение среднеквадратической ошибки (Mean Squared Error) составляет 7538542.116221244. Это означает, что среднеквадратичное отклонение прогнозов модели от фактических значений составляет примерно 7538542.116221244. Чем меньше это значение, тем ближе прогнозы модели к фактическим значениям.
|
||
|
||
2. Значение коэффициента детерминации (R^2 Score) составляет 0.8520198757619463. Это означает, что модель объясняет примерно 85.2% дисперсии зависимой переменной (изменчивости в данных). Чем ближе значение коэффициента детерминации к 1, тем лучше модель соответствует данным.
|
||
|
||
Таким образом, на основе предоставленных данных можно сказать, что модель имеет достаточно низкую среднеквадратическую ошибку и высокий коэффициент детерминации, пожтому MLPRegressor не подходит для сформулированной задачи. |