IIS_2023_1/zavrazhnova_svetlana_lab_6
2023-10-27 14:17:35 +04:00
..
fraud_dataset.csv lal 2023-10-26 11:27:02 +04:00
README.md zavrazhnova_svetlana_lab_6 is ready 2023-10-27 14:17:35 +04:00
result.png zavrazhnova_svetlana_lab_6 is ready 2023-10-27 14:17:35 +04:00
zavrazhnova_svetlana_lab_6.py zavrazhnova_svetlana_lab_6 is ready 2023-10-27 14:17:35 +04:00

Задание

Использовать нейронную сеть MLPClassifier для данных из файла fraud_dataset.csv, для задачи: Предсказать, является ли транзакция мошеннической или нет на основе имеющихся данных.

Как запустить лабораторную работу:

ЛР запускается в файле zavrazhnova_svetlana_lab_6.py через Run, а затем в консоли должны появится вычисления

Технологии

Библиотека sklearn.neuralnetwork содержит реализацию MLP (Multilayer Perceptron) - это алгоритм искусственного нейронного сети для классификации и регрессии. Классификатор MLPClassifier является реализацией многослойного перцептрона для задач классификации.

Библиотека sklearn.metrics содержит различные метрики для оценки качества моделей машинного обучения. В данном случае, используются следующие метрики:

  • accuracyscore - точность модели, которая показывает долю правильно классифицированных объектов.
  • confusionmatrix - матрица ошибок, которая показывает количество правильно и неправильно классифицированных объектов для каждого класса.
  • classificationreport - отчет о классификации, который содержит информацию о точности, полноте, F1-мере и поддержке для каждого класса.

Что делает лабораторная:

Создает и обучает модель нейронной сети с помощью MLPClassifier. Оценивает точность модели с помощью функции accuracy_score(). Строит матрицу ошибок и выводит отчет о классификации

Пример выходных значений:

result.png

Вывод

Модель MLPClassifier, обученная на данных из файла fraud_dataset.csv, показывает высокую точность в предсказании мошеннических и не мошеннических транзакций. Об этом говорят результаты вычислений:

  • Accuracy: 1.0 - это показатель точности модели, который равен 1.0, что означает 100% точность модели в предсказании мошеннических и не мошеннических транзакций на тестовой выборке.

  • Confusion Matrix: матрица ошибок, показывающая количество верно и неверно классифицированных транзакций. В данном случае, видим, что все 17 не мошеннических транзакций были правильно предсказаны, а одна мошенническая транзакция была неправильно предсказана.

  • Classification Report: отчет о классификации, который содержит информацию о точности, полноте (recall), F1-мере и поддержке (support) для каждого класса. Из отчета видно, что как для класса 0 (не мошенническая транзакция), так и для класса 1 (мошенническая транзакция), точность, полнота и F1-мера равны 1.0, что говорит о идеальной предсказательной способности модели для обоих классов. Поддержка указывает на количество образцов в каждом классе в тестовой выборке.