IIS_2023_1/martysheva_tamara_lab_6
2023-11-19 14:47:51 +04:00
..
clean_data.csv martysheva lab6 done 2023-11-19 14:47:51 +04:00
lab6.py martysheva lab6 done 2023-11-19 14:47:51 +04:00
mlpreg.png martysheva lab6 done 2023-11-19 14:47:51 +04:00
README.md martysheva lab6 done 2023-11-19 14:47:51 +04:00

Лабораторная работа 6. Нейронная сеть

Вариант № 18(четный)

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


Как запустить лабораторную работу:

Чтобы запустить программу, открываем файл lab6 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.

Matplotlib — это комплексная библиотека для создания статических, анимированных и интерактивных визуализаций на Python.


Что делает ЛР:

В данной работе анализируется работа модели MLPRegressor и решается задача предсказания уровня здоровья по ключевым характеристикам.

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_ex - оценка важности физических упражнений;
  • gymtime - время, проведенное в тренажерном зале.

Целевой переменной является phy_health - оценка состояния здоровья.

Результатом работы программы являются: вывод оценки качества модели (в консоли) и график фактических и предсказанных значений уровня здоровья респондента (mlpreg.png).


Пример выходных данных:

Вывод в консоли:

График:


Вывод: Оценка качества модели нейронной сети хоть и чуть лучше модели Лассо, все равно довольно низкая (~0,35 vs ~0,38), поэтому модель не совсем подходит для решения поставленной задачи. Судя по графику фактических и предсказанных значений уровня здоровья, предсказания получились весьма схожими с предсказаниями по модели Лассо.