IIS_2023_1/gusev_vladislav_lab_3

Вариант 9

Задание на лабораторную работу:

Решите с помощью библиотечной реализации дерева решений задачу: Запрограммировать дерево решений как минимум на 99% ваших данных для задачи: Зависимость глубины алмаза (depth) от длины (x), ширины (y) и высоты алмаза (z) . Проверить работу модели на оставшемся проценте, сделать вывод.

Как запустить лабораторную работу:

Выполняем файл gusev_vladislav_lab_3.py, решение будет в консоли.

Технологии

Sklearn - библиотека с большим количеством алгоритмов машинного обучения. Нам понадобится библиотека для дерева решения регрессии sklearn.tree.DecisionTreeRegressor.

По коду

1. Для начала загружаем данные из csv файла
2. Разделеям данные на признаки (X) и целевую переменную (y)
3. Разделяем данные на обучающее и тестовые
4. Обучаем дерево регрессией (model)
5. Выводим важность признаков, предсказание значений на тестовой выборке и оценку производительности модели

Пример:

Вывод

• score: ~0.88. Это мера того, насколько хорошо модель соответствует данным. По значению 88% можно сказать, что модель хорошо соответствует данным.
• feature_importances: ~0.26, ~0.34, ~0,39. Это говорит о важности признаков для нашей модели. Можно сказать, что высота (z) имеет наибольшую важность.
• Mean Squared Error: 0.22. Это ошибка модели. Это говорит о том, что модель в среднем ошибается в 22% случаев.

По итогу можно сказать, что модель отработала хорошо, из-за score ~0.88.