32 lines
3.0 KiB
Markdown
32 lines
3.0 KiB
Markdown
Лабораторная №3
|
||
|
||
Вариант №2
|
||
|
||
Задание на лабораторную:
|
||
|
||
Решите с помощью библиотечной реализации дерева решений задачу: Запрограммировать дерево решений как минимум на 99% ваших данных для задачи: Количество жертв(inj) от года(yr), магнитуды(mag) и фатальных исходов(fat) от торнадо. Проверить работу модели на оставшемся проценте, сделать вывод.
|
||
|
||
Как запустить лабораторную работу:
|
||
|
||
Чтобы увидеть работу программы, нужно запустить исполняемый питон файл senkin_alexander_lab_3.py, после чего в консоли будут выведены первые 5 строк данных, показатель score насколько хорошо модель соответсвует данным, все признаки, их ранжирование, а также среднюю ошибку.
|
||
|
||
Библиотеки
|
||
|
||
Sklearn. Предоставляет инструменты и алгоритмы, которые упрощают задачи, связанные с машинным обучением.
|
||
|
||
Описание программы:
|
||
|
||
- Загружаем данные из csv файла
|
||
- С помощью функции train_test_split разделяем данные на тестовые и обучающие в соотношении 1 к 99
|
||
- Добавляем две модели для сравнения их работы:
|
||
- Дерево решений(по заданию)
|
||
- Линейная регрессия(более подходящая модель)
|
||
- Обучаем модели
|
||
- вывод ранжированные признаки, производительность модели и среднюю ошибку
|
||
|
||
Программа выдает следующие результаты:
|
||
|
||
|
||
|
||
По этим результатам можно сделать вывод, что дерево решений не подходит для указанных данных, так как оценка производительности уходит в минус, а средняя квадратичная ошибка очень большая.
|
||
Для данной модели больше подходит линейная регрессия, которая имеет неплохую производительность 0.88, хотя для этих данных имеет все же немаленькую ошибку. Поэтому было решено ранжировать признаки по модели линейной регрессии, и из 3 признаков самым бесполезным оказался признак года, а самым полезным - признак смертности. |