IIS_2023_1/ilbekov_dmitriy_lab_6
2023-10-27 19:58:08 +04:00
..
console.jpg lab6 done 2023-10-27 19:58:08 +04:00
F1DriversDataset.csv lab6 done 2023-10-27 19:58:08 +04:00
graphics.png lab6 done 2023-10-27 19:58:08 +04:00
lab6.py lab6 done 2023-10-27 19:58:08 +04:00
README.md lab6 done 2023-10-27 19:58:08 +04:00

Лабораторная работа 6

Вариант 10

Задание:

  • Используя данные из "F1DriversDataset.csv" сформулировать задачу, решаемую нейронной сетью (MLPRegressor): Предсказать количество чемпионских титулов по характеристикам: Race_Entries, Race_Starts, Pole_Positions, Race_Wins, Podiums, Fastest_Laps

Запуск

  • Запустить файл lab6.py

Технологии

  • Язык - 'Python'
  • Библиотеки sklearn, pandas, matplotlib

Что делает

  • Программа обучает нейронную модель на 95% данных (Были подобраны следующие настройки модели - 20 слоев и 20 нейронов в каждом, большие или меньшие значения приводили к переобучению или недообучению, solver - для оптимизации был выбран алгоритм adam на основе стохастического градиента, activation - функция активации скрытых слоев был выбран relu выпрямленная линейная единица измерения)
  • Программа оценивает качество предсказаний, используя Коэффициент детерминации R^2 (Мера качества модели регрессии и оценивает, насколько хорошо модель соответствует данным. Она измеряет долю дисперсии зависимой переменной, которая может быть объяснена моделью, относительно общей дисперсии зависимой переменной) на тестовой выборке остальных 5%
  • Программа позволяет вручную ввести требуемые характеристики пилота и предсказать количество титулов для данного пилота
  • Также результат предсказания можно интерпретировать в другом ключе: если мы введем реальные характеристики гонщика, мы можем посмотреть, насколько он достоин быть титулованным, справедливо или несправедливо отнеслась к нему судьба:)
  • Программа дополнительно выводит график, позволяющий визуально определить качество работы модели

Пример работы

Пример работы представлен в виде скриншотов:

Console Graphics

  • В результате по графику мы можем видеть, что нейронная модель неплохо справилась со своей задачей предсказания, это подтверждает и хороший R^2 коэффициент, равный 0.8984, что на несколько тысячных лучше, чем Линейная регрессия на тех же данных.
  • В качестве реального гонщика был выбран действующий чемпион Формулы 1 - Макс Ферстаппен. В отличие от линейной регрессии, модель правильно предсказала два чемпионских титула (в сокращении), при этом показатель 2.23 говорит о потенциале на 3 титул (что оправдается в 23 году)