IIS_2023_1/istyukov_timofey_lab_3
2024-01-06 00:54:29 +04:00
..
1_dataset.jpg create README 2024-01-06 00:54:29 +04:00
2_accuracy_score.jpg create README 2024-01-06 00:54:29 +04:00
3_feature_importances.jpg create README 2024-01-06 00:54:29 +04:00
lab3.py create README 2024-01-06 00:54:29 +04:00
music_genre.csv create README 2024-01-06 00:54:29 +04:00
README.md create README 2024-01-06 00:54:29 +04:00

Лабораторная работа №3. Деревья решений

12 вариант


Задание:

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.

Вариант набора данных по курсовой работе:

  • Прогнозирование музыкальных жанров

Запуск

  • Запустить файл lab3.py

Используемые технологии

  • Язык программирования Python
  • Среда разработки PyCharm
  • Библиотеки:
    • pandas
    • sklearn

Описание программы

Набор данных (Kaggle): Полный список жанров, включенных в CSV: «Электронная музыка», «Аниме», «Джаз», «Альтернатива», «Кантри», «Рэп», «Блюз», «Рок», «Классика», «Хип-хоп».

Задача, решаемая деревом решений: Классификация музыкальных треков на основе их характеристик, таких как темп, инструментальность, акустичность, речевость, танцевальность, энергичность, живость. Дерево решений может предсказывать жанр трека, основываясь на его характеристиках.

Задачи оценки: оценить качество работы модели дерева решений и выявить наиболее значимые признаки набора данных.


Пример работы

Датасет, сформированный из случайных строк csv-файла. Graphics


Сравнение на оставшихся неиспользованных 0,5% строк датасета предсказнных и действительных жанров.

Graphics


Вычисленнные коэффициенты влияния признаков на прогноз жанра

Graphics


Вывод

Посредством предобработки датасета дерево решений без проблем обучилось и частично верно предсказало некоторые жанры (в частности, Электро, Классику и Рэп). Также модель показала оценку влиятельности признаков на прогноз жанра. Самым влиятельным признаком оказалась акустичность музыкального трека. Менее значимыми оказались речевость (преобладание голосов в треке) и инструментальность (преобладание живых инструментов в треке), что звучит вполне разумно.

На практике дерево решений по качеству классификации уступает некоторым другим методам. Помимо этого, небольшие изменения в данных могут существенно изменять построенное дерево решений. На примере моего датасета дерево решений справилось не очень успешно. Это можно объяснить тем, что данных в нём недостаточно для предсказания жанра. Но также стоит отметить, что жанр одно из самых неоднозначных, самых многосоставных музыкальных понятий.