4.3 KiB
Лабораторная работа 3. Деревья решений
Вариант № 18
Решите с помощью библиотечной реализации дерева решений задачу
из лабораторной работы «Веб-сервис «Дерево решений» по предмету
«Методы искусственного интеллекта» на 99% ваших данных.
Проверьте работу модели на оставшемся проценте, сделайте вывод.
Как запустить лабораторную работу:
Чтобы запустить программу, открываем файл lab3 в PyCharm и нажимаем на зеленый треугольник в правом верхнем углу.
Использованные технологии:
Scikit-learn - один из наиболее широко используемых пакетов Python для Data Science и Machine Learning. Он позволяет выполнять множество операций и предоставляет множество алгоритмов.
Pandas — это библиотека с открытым исходным кодом, предоставляющая высокопроизводительные, простые в использовании структуры данных и инструменты анализа данных для языка программирования Python.
Что делает ЛР:
В данной работе анализируется работа дерева решений DecisionTreeClassifier и решается задача классификации ответчиков на регулярно занимающихся и не занимающихся физическими упражнениями на основе характеристик. Имеется набор данных (clean_data), содержащий результаты опроса добровольцев на тему их состояния здоровья. Были выбраны 5 признаков:
- age - возраст респондента;
- weight - вес респондента;
- work - уровень физ. активности на работе;
- phy_health - оценка состояния здоровья;
- gymtime - время, проведенное в тренажерном зале.
Среди них необходимо выявить 2 наиболее важных признака по целевой переменной exercise_reg - занимается или не занимается респондент физ. упражнениями, построенной на основе признака phy_ex - оценка важности физических упражнений. Значение exercise_reg = 1, если значение phy_ex >= 7, и 0 - в остальных случаях. Необходимо обучить модель на 99% данных и оценить качество модели на оставшемся проценте.
Результатом работы программы являются: вывод первых 15 строк подготовленных данных, вывод оценок важности признаков и вывод оценки качества модели (в консоли).
Пример выходных данных:
Вывод в консоли:
Вывод:
Модель DecisionTreeClassifier выделила 2 наиболее важных параметра, а именно вес и оценка важности физ. упражнений, остальные признаки имеют минимальную значимость, однако возраст достаточно близок по оценке важности к весу. Оценка качества модели говорит о том, что модель достаточно точно предсказывает классы для данных по характеристикам.