IIS_2023_1/arzamaskina_milana_lab_6

Лабораторная работа №6

Нейронная сеть

ПИбд-41 Арзамаскина Милана

Вариант №2

Задание:

Использовать нейронную сеть для данных из таблицы 1 по варианту, самостоятельно сформулировав задачу. Интерпретировать результаты и оценить, насколько хорошо она подходит для решения сформулированной вами задачи.

Задача по варианту №2: с помощью нейронной сети MLPRegressor.

Формулировка задачи:

Задача: посмотреть, как зависит количество выбросов промышленным производством, от таких признаков как: выбросы от сжигания и газа.

Зависит ли количество выбросов промышленным производством от сжигания (огня) и газа, так как производства могут применять сжигание с целью избавления от промышленных выбросов.

Данные:

Этот набор данных обеспечивает углубленный анализ глобальных выбросов CO2 на уровне страны, позволяя лучше понять, какой вклад каждая страна вносит в глобальное совокупное воздействие человека на климат. Он содержит информацию об общих выбросах, а также от добычи и сжигания угля, нефти, газа, цемента и других источников. Данные также дают разбивку выбросов CO2 на душу населения по странам, показывая, какие страны лидируют по уровням загрязнения, и определяют потенциальные области, где следует сосредоточить усилия по сокращению выбросов. Этот набор данных необходим всем, кто хочет получить информацию о своем воздействии на окружающую среду или провести исследование тенденций международного развития.

Данные организованы с использованием следующих столбцов:

• Country: название страны
• ISO 3166-1 alpha-3: трехбуквенный код страны
• Year: год данных исследования
• Total: общее количество CO2, выброшенное страной в этом году
• Coal: количество CO2, выброшенное углем в этом году
• Oil: количество выбросов нефти
• Gas: количество выбросов газа
• Cement: количество выбросов цемента
• Flaring: выбросы от сжигания
• Other: другие формы, такие как промышленные процессы
• Per Capita: столбец «на душу населения»

Какие технологии использовались:

Используемые библиотеки:

• pandas
• matplotlib
• sklearn

Как запустить:

• установить python, sklearn, pandas, matplotlib
• запустить проект (стартовая точка - main.py)

Что делает программа:

• Загружает набор данных из файла 'CO2.csv', который содержит информацию о выбросах странами CO2 в год от различной промышленной деятельности.
• Очищает набор данных путём удаления строк с нулевыми значениями и глобальными значениями по всем странам (строки 'Global') из набора.
• Выбирает набор признаков (features) из данных, которые будут использоваться.
• Определяет целевую переменную (task) является 'other'.
• Делит данные на обучающий и тестовый наборы для обеих задач с использованием функции train_test_split. Тестовый набор составляет 10% от исходных данных.
• Решает задачу регрессии с помощью нейронной сети MLPRegressor.
• Предсказывает значения целевой переменной на тестовых наборах.
• Выводит коэффициент детерминации для оценки соответствия модели данным.

Результаты работы программы:

Вывод:

Точность работы модели на выбранных данных достаточно низкая, модель не справилась со своей задачей, возможно, другие методы могут выдать лучшие результаты, либо необходима модификация модели.