82 lines
7.1 KiB
Markdown
82 lines
7.1 KiB
Markdown
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. |