64 lines
5.8 KiB
Markdown
64 lines
5.8 KiB
Markdown
## Лабораторная работа 6. Вариант 5.
|
||
### Задание
|
||
С использованием нейронной сети (MLPRegressor) предсказать стоимость автомобилей на основе предоставленных данных.
|
||
|
||
### Как запустить
|
||
Для запуска программы необходимо с помощью командной строки в корневой директории файлов прокета прописать:
|
||
``` python
|
||
python main.py
|
||
```
|
||
|
||
### Используемые технологии
|
||
- Библиотека `pandas`, используемая для работы с данными для анализа scv формата.
|
||
- `sklearn` (scikit-learn): Scikit-learn - это библиотека для машинного обучения и анализа данных в Python. Из данной библиотеки были использованы следующие модули:
|
||
- `metrics` - набор инструменов для оценки моделей.
|
||
- `MLPClassifier` - является реализацией многослойной нейронной сети для задачи классификации.
|
||
- `accuracy_score` -функция из scikit-learn, которая используется для оценки производительности модели классификации путем вычисления доли правильно классифицированных примеров (точности) на тестовом наборе данных.
|
||
- `train_test_split` - это функция из scikit-learn, используемая для разделения набора данных на обучающий и тестовый наборы.
|
||
- `LabelEncoder` - это класс из scikit-learn, используемый для преобразования категориальных признаков (например, строки) в числовые значения.
|
||
|
||
### Описание работы
|
||
#### Описание набора данных
|
||
Набор данных: набор данных о цене автомобиля в автопарке.
|
||
|
||
Названия столбцов набора данных и их описание:
|
||
|
||
- Id: Уникальный идентификатор для каждого автомобиля в списке.
|
||
- Price: Ценовой диапазон автомобилей с конкретными ценниками и подсчетами. (111000 - 77500000)
|
||
- Company Name: Название компании-производителя автомобилей с указанием процентной доли представительства каждой компании.
|
||
- Model Name: Название модели автомобилей с указанием процентного соотношения каждой модели.
|
||
- Model Year: Диапазон лет выпуска автомобилей с указанием количества и процентных соотношений. (1990 - 2019)
|
||
- Location: Местоположение автомобилей с указанием регионов, где они доступны для покупки, а также их процентное соотношение.
|
||
- Mileage: Информация о пробеге автомобилей с указанием диапазонов пробега, количества и процентов. (1 - 999999)
|
||
- Engine Type: Описания типов двигателей с процентными соотношениями для каждого типа.
|
||
- Engine Capacity: Мощность двигателя варьируется в зависимости от количества и процентов. (16 - 6600)
|
||
- Color: Цветовое распределение автомобилей с указанием процентных соотношений для каждого цвета.
|
||
- Assembly: Импорт или местный рынок.
|
||
- Body Type: Тип кузова.
|
||
- Transmission Type: Тип трансмиссии.
|
||
- Registration Status: Статус регистрации.
|
||
|
||
Ссылка на страницу набора на kuggle: [Ultimate Car Price Prediction Dataset](https://www.kaggle.com/datasets/mohidabdulrehman/ultimate-car-price-prediction-dataset/data)
|
||
|
||
#### Оценка эффективности
|
||
Для оценки точности модели будем использовать встроенный инструмент `accuracy_score`:
|
||
```python
|
||
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix
|
||
|
||
accuracy = accuracy_score(y_test, y_pred)
|
||
conf_matrix = confusion_matrix(y_test, y_pred)
|
||
classification_rep = classification_report(y_test, y_pred)
|
||
```
|
||
|
||
#### Результаты
|
||
|
||
|
||
### Вывод
|
||
Алгоритм показал высокую точность. Считаем, что алгоритм успешен.
|
||
Но если обратить внимание на результаты алгоритма 3-й лабораторной работы, выполняющего ту же задачу, окажется, что
|
||
многослойная нейронная сеть справляется хуже:
|
||
|
||
Точность MLP (0.91) меньше дерева решений (0.93) (без приведения в проценты). Получается, что MLP показала хороший
|
||
результат, но обычная регрессия с поставленной задачей справилась лучше - нет смысла использовать более "тяжелый"
|
||
алгоритм, если он не дает значительного выигрыша в качестве.
|