IIS_2023_1/almukhammetov_bulat_lab_6/README.md

Вариант 2

Задание: Использовать нейронную сеть(четные варианты –MLPRegressor, нечетные –MLPClassifier)для данных из таблицы 1 по варианту, самостоятельно сформулировав задачу. Интерпретировать результаты и оценить, насколько хорошо она подходит для решения сформулированной вами задачи.

Данные: Данный набор данных использовался во второй главе недавней книги Аурелиена Жерона "Практическое машинное обучение с помощью Scikit-Learn и TensorFlow". Он служит отличным введением в реализацию алгоритмов машинного обучения, потому что требует минимальной предварительной обработки данных, содержит легко понимаемый список переменных и находится в оптимальном размере, который не слишком мал и не слишком большой.

Данные содержат информацию о домах в определенном районе Калифорнии и некоторую сводную статистику на основе данных переписи 1990 года. Следует отметить, что данные не прошли предварительную очистку, и для них требуются некоторые этапы предварительной обработки. Столбцы включают в себя следующие переменные, их названия весьма наглядно описывают их суть:

долгота longitude

широта latitude

средний возраст жилья median_house_value

общее количество комнат total_rooms

общее количество спален total_bedrooms

население population

домохозяйства households

медианный доход median_income

Запуск: Запустите файл lab6.py

Описание программы:

1. Загрузка данных:

   • Программа начинается с загрузки данных из файла 'housing.csv' с использованием библиотеки pandas.
   • Пропущенные значения в данных удаляются с помощью dropna().

2. Выбор признаков и целевой переменной:

   • Из загруженных данных выбираются признаки (features) и целевая переменная (target).
   • В данном случае, признаки включают 'total_rooms', 'total_bedrooms', 'population', 'households', и 'median_income', а целевая переменная - 'median_house_value'.

3. Разделение данных:

   • Данные разделяются на тренировочный и тестовый наборы с использованием train_test_split.
   • В данной программе 90% данных используются для тренировки и 10% для тестирования.

4. Масштабирование признаков:

   • Признаки и целевая переменная масштабируются с использованием StandardScaler, чтобы улучшить производительность нейронной сети.

5. Создание и обучение MLPRegressor:

   • Создается модель MLPRegressor с заданными параметрами, такими как размеры скрытых слоев (hidden_layer_sizes), количество итераций (max_iter), и начальное состояние (random_state).
   • Модель обучается на тренировочных данных с использованием fit.

6. Предсказания и оценка производительности:

   • Модель делает предсказания на тестовых данных с использованием predict.
   • Оцениваются различные метрики производительности, такие как среднеквадратичная ошибка (MSE), среднеабсолютное отклонение (MAE) и коэффициент детерминации (R^2).

7. Вывод результатов:

   • Результаты оценки модели выводятся на экран, включая среднеквадратичную ошибку, среднеабсолютное отклонение и коэффициент детерминации.

Результаты:

Выводы:

1. Среднеквадратичная ошибка (MSE): 69877.11%

   • Эта метрика измеряет среднеквадратичное отклонение предсказанных значений от фактических. Чем меньше значение MSE, тем лучше. В данном случае, значение 69877.11% ОГРОМНО, что может свидетельствовать о значительном разбросе между фактическими и предсказанными значениями.

2. Среднеабсолютное отклонение (MAE): 49654.91%

   • MAE измеряет среднее абсолютное отклонение предсказанных значений от фактических. Аналогично, чем меньше значение MAE, тем лучше. Здесь значение 49654.91% также довольно больше.

3. Коэффициент детерминации (R^2): 64.58%

   • R^2 измеряет, насколько хорошо модель соответствует вариации в данных. Значение 64.58% говорит о том, что модель объясняет 64.58% дисперсии в целевой переменной. Это можно считать средним результатом.

Интерпретация результатов:

• В данном случае, модель MLPRegressor, обученная на выбранных признаках, не показала высокую точность предсказания целевой переменной (median_house_value).
• Значения метрик (MSE, MAE, R^2) указывают на некоторую степень ошибки модели.

Общий вывод:

• В данной программе представленный MLPRegressor не дал оптимальных результатов. Дальнейшие исследования и настройка параметров могут потребоваться для улучшения точности предсказаний модели.