Merge pull request 'lab5 done' (#8) from lab_5 into main

Reviewed-on: #8

lab_4/lab4.ipynb

@@ -0,0 +1,496 @@
+{
+ "cells": [
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "**Lab 4 Malafeev PIbd-31**"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "1.Для начала выберем бизнес-цели для задач регрессии и классификации."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Классификация. Цель: определить, откликнется ли клиент на маркетинговую кампанию. Столбец целевой переменной - Response, 1 - откликнулся, 0 - нет. Признаки - Возраст, Уровень дохода. (Age, Income)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Регрессия. Цель: прогноз расходов клиента. Столбец целевой переменной: Total_Spending - общие расходы, будут считаться по всем расходам. Признаки такие же."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "2.Достижимый уровень качества:\n",
+    "Классификация:\n",
+    "Оценка метрики accuracy: ориентир 70-80% (с учетом ограниченных признаков).\n",
+    "Регрессия:\n",
+    "MSE (среднеквадратичная ошибка): минимизация, ориентир в зависимости от разброса целевой переменной.\n",
+    "R^2 > 0.6"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "3.Ориентир. Классификация:\n",
+    "DummyClassifier, предсказывающий самый частый класс, даст accuracy ~50-60%.\n",
+    "Регрессия:\n",
+    "Прогноз среднего значения целевой переменной."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 29,
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "X_class_train: (1568, 2), y_class_train: (1568,)\n",
+      "X_reg_train: (1568, 2), y_reg_train: (1568,)\n"
+     ]
+    }
+   ],
+   "source": [
+    "import pandas as pd\n",
+    "from sklearn.model_selection import train_test_split\n",
+    "from sklearn.preprocessing import StandardScaler\n",
+    "\n",
+    "data = pd.read_csv(\".//datasetlab1//marketing_campaign.csv\", sep=\"\\t\")\n",
+    "data2 = pd.read_csv(\".//datasetlab1//marketing_campaign2.csv\", sep=\"\\t\")\n",
+    "\n",
+    "# Преобразуем данные для классификации (дата для отклика на кампанию)\n",
+    "data['Age'] = 2024 - data['Year_Birth'] \n",
+    "data = data[['Age', 'Income', 'Response']] \n",
+    "\n",
+    "X_class = data[['Age', 'Income']]\n",
+    "y_class = data['Response']\n",
+    "\n",
+    "# Преобразуем данные для регрессии (прогноз расходов)\n",
+    "data2['Age'] = 2024 - data2['Year_Birth']  \n",
+    "data2['Total_Spending'] = (data2['MntWines'] + data2['MntFruits'] + data2['MntMeatProducts'] +\n",
+    "                           data2['MntFishProducts'] + data2['MntSweetProducts'] + data2['MntGoldProds'])\n",
+    "data2 = data2[['Age', 'Income', 'Total_Spending']]  \n",
+    "\n",
+    "# Разделение на признаки и целевую переменную для регрессии\n",
+    "X_reg = data2[['Age', 'Income']]\n",
+    "y_reg = data2['Total_Spending']\n",
+    "\n",
+    "# Масштабирование данных\n",
+    "scaler = StandardScaler()\n",
+    "X_class_scaled = scaler.fit_transform(X_class)\n",
+    "X_reg_scaled = scaler.fit_transform(X_reg)\n",
+    "\n",
+    "# Разделение на тренировочные и тестовые выборки\n",
+    "X_train_class, X_test_class, y_train_class, y_test_class = train_test_split(X_class_scaled, y_class, test_size=0.3, random_state=42)\n",
+    "X_train_reg, X_test_reg, y_train_reg, y_test_reg = train_test_split(X_reg_scaled, y_reg, test_size=0.3, random_state=42)\n",
+    "\n",
+    "# Проверим, что все выглядит правильно\n",
+    "print(f\"X_class_train: {X_train_class.shape}, y_class_train: {y_train_class.shape}\")\n",
+    "print(f\"X_reg_train: {X_train_reg.shape}, y_reg_train: {y_train_reg.shape}\")"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "5-6.Выбор трёх моделей и построение конвейера"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "Logistic Regression - Средняя точность модели: 0.8475 ± 0.0027\n",
+      "Random Forest - Средняя точность модели: 0.8258 ± 0.0099\n",
+      "SVM - Средняя точность модели: 0.8529 ± 0.0027\n"
+     ]
+    }
+   ],
+   "source": [
+    "import numpy as np\n",
+    "from sklearn.model_selection import train_test_split, cross_val_score\n",
+    "from sklearn.preprocessing import StandardScaler\n",
+    "from sklearn.impute import SimpleImputer\n",
+    "from sklearn.linear_model import LogisticRegression\n",
+    "from sklearn.ensemble import RandomForestClassifier\n",
+    "from sklearn.svm import SVC\n",
+    "from sklearn.pipeline import Pipeline\n",
+    "\n",
+    "# Удаляем строки с пропущенными значениями\n",
+    "X_class_scaled = X_class.dropna()\n",
+    "y_class = y_class[X_class_scaled.index]\n",
+    "\n",
+    "models = [\n",
+    "    ('Logistic Regression', LogisticRegression(max_iter=1000)),\n",
+    "    ('Random Forest', RandomForestClassifier(n_estimators=100)),\n",
+    "    ('SVM', SVC())\n",
+    "]\n",
+    "\n",
+    "# Создаем конвейер\n",
+    "imputer = SimpleImputer(strategy='mean') \n",
+    "scaler = StandardScaler()\n",
+    "\n",
+    "for name, model in models:\n",
+    "    pipe = Pipeline([\n",
+    "        ('imputer', imputer),\n",
+    "        ('scaler', scaler),\n",
+    "        ('classifier', model)\n",
+    "    ])\n",
+    "    \n",
+    "    scores = cross_val_score(pipe, X_class_scaled, y_class, cv=5, scoring='accuracy')\n",
+    "    print(f\"{name} - Средняя точность модели: {scores.mean():.4f} ± {scores.std():.4f}\")\n"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Вот такие модели и конвейр я выбрал: Imputer: Заполняет пропущенные значения средним (если они есть).\n",
+    "Scaler: Масштабирует данные с помощью StandardScaler.\n",
+    "Classifier: Используются три модели:\n",
+    "LogisticRegression: Логистическая регрессия.\n",
+    "RandomForestClassifier: Случайный лес.\n",
+    "SVC: Метод опорных векторов (SVM)."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "7.Теперь сделаем настройку гиперпараметров."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 32,
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "Fitting 5 folds for each of 6 candidates, totalling 30 fits\n",
+      "Logistic Regression - Лучшие гиперпараметры: {'classifier__C': 0.1, 'classifier__solver': 'lbfgs'}\n",
+      "Logistic Regression - Лучшая точность: 0.8484\n",
+      "--------------------------------------------------\n",
+      "Fitting 5 folds for each of 9 candidates, totalling 45 fits\n",
+      "Random Forest - Лучшие гиперпараметры: {'classifier__max_depth': 10, 'classifier__n_estimators': 100}\n",
+      "Random Forest - Лучшая точность: 0.8520\n",
+      "--------------------------------------------------\n",
+      "Fitting 5 folds for each of 6 candidates, totalling 30 fits\n",
+      "SVM - Лучшие гиперпараметры: {'classifier__C': 1, 'classifier__kernel': 'rbf'}\n",
+      "SVM - Лучшая точность: 0.8529\n",
+      "--------------------------------------------------\n"
+     ]
+    }
+   ],
+   "source": [
+    "from sklearn.model_selection import GridSearchCV\n",
+    "models = [\n",
+    "    ('Logistic Regression', LogisticRegression(max_iter=1000), {'classifier__C': [0.1, 1, 10], 'classifier__solver': ['lbfgs', 'liblinear']}),\n",
+    "    ('Random Forest', RandomForestClassifier(n_estimators=100), {'classifier__n_estimators': [50, 100, 200], 'classifier__max_depth': [10, 20, None]}),\n",
+    "    ('SVM', SVC(), {'classifier__C': [0.1, 1, 10], 'classifier__kernel': ['linear', 'rbf']})\n",
+    "]\n",
+    "\n",
+    "for name, model, param_grid in models:\n",
+    "    pipe = Pipeline([\n",
+    "        ('imputer', imputer),\n",
+    "        ('scaler', scaler),\n",
+    "        ('classifier', model)\n",
+    "    ])\n",
+    "    \n",
+    "    grid_search = GridSearchCV(pipe, param_grid, cv=5, scoring='accuracy', n_jobs=-1, verbose=1)\n",
+    "    grid_search.fit(X_class_scaled, y_class)\n",
+    "\n",
+    "    print(f\"{name} - Лучшие гиперпараметры: {grid_search.best_params_}\")\n",
+    "    print(f\"{name} - Лучшая точность: {grid_search.best_score_:.4f}\")\n",
+    "    print(\"-\" * 50)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Тут мы проходим по моделям и настраиваем гиперпараметры с помощью GridSearchCV с помощью кросс-валидации. Параметры: cv=5: 5 фолдов для кросс-валидации.\n",
+    "scoring='accuracy': Мы используем точность как метрику.\n",
+    "n_jobs=-1: Используем все доступные процессоры для ускорения вычислений.\n",
+    "verbose=1: Подробный вывод процесса."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "8.Обучим модели"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 34,
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "Fitting 5 folds for each of 6 candidates, totalling 30 fits\n",
+      "Fitting 5 folds for each of 6 candidates, totalling 30 fits\n",
+      "Fitting 5 folds for each of 6 candidates, totalling 30 fits\n"
+     ]
+    }
+   ],
+   "source": [
+    "best_models = {} \n",
+    "for name, model, param_grid in models: \n",
+    "    grid_search.fit(X_class_scaled, y_class)\n",
+    "    best_models[name] = grid_search.best_estimator_ \n"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "9.Оценим модели."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 41,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_auc_score\n",
+    "from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score\n",
+    "\n",
+    "# Оценка качества классификации\n",
+    "for name, model in best_models.items():\n",
+    "    y_pred_class = model.predict(X_class_scaled)  # Предсказание для классификации\n",
+    "\n",
+    "# Оценка качества регрессии\n",
+    "for name, model in best_models.items():\n",
+    "    y_pred_reg = model.predict(X_reg_scaled)  # Предсказание для регрессии\n",
+    "\n"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Т.к. вывод слишком длинный, приложу его тут(вылазит Output is truncated. View as a scrollable element or open in a text editor. Adjust cell output settings...):<br>Оценка качества для модели Logistic Regression:<br>\n",
+    "Accuracy: 0.8528880866425993<br>\n",
+    "Precision: 0.8181818181818182<br>\n",
+    "Recall: 0.02702702702702703<br>\n",
+    "F1-Score: 0.05232558139534884<br>\n",
+    "ROC AUC: Не поддерживается для этой модели<br>\n",
+    "<br>\n",
+    "<br>\n",
+    "Оценка качества для модели Random Forest:<br>\n",
+    "Accuracy: 0.8528880866425993<br>\n",
+    "Precision: 0.8181818181818182<br>\n",
+    "Recall: 0.02702702702702703<br>\n",
+    "F1-Score: 0.05232558139534884<br>\n",
+    "ROC AUC: Не поддерживается для этой модели<br>\n",
+    "<br>\n",
+    "<br>\n",
+    "Оценка качества для модели SVM:<br>\n",
+    "Accuracy: 0.8528880866425993<br>\n",
+    "Precision: 0.8181818181818182<br>\n",
+    "Recall: 0.02702702702702703<br>\n",
+    "F1-Score: 0.05232558139534884<br>\n",
+    "ROC AUC: Не поддерживается для этой модели<br>\n",
+    "<br>\n",
+    "<br>Задача регрессии: <br>\n",
+    "Оценка качества для модели Logistic Regression:<br>\n",
+    "MAE: 605.7982142857143<br>\n",
+    "MSE: 729533.7598214286<br>\n",
+    "RMSE: 854.1274845252485<br>\n",
+    "R²: -1.0122722045012051<br>\n",
+    "<br>\n",
+    "<br>\n",
+    "Оценка качества для модели Random Forest:<br>\n",
+    "MAE: 605.7982142857143<br>\n",
+    "MSE: 729533.7598214286<br>\n",
+    "RMSE: 854.1274845252485<br>\n",
+    "R²: -1.0122722045012051<br>\n",
+    "<br>\n",
+    "<br>\n",
+    "Оценка качества для модели SVM:<br>\n",
+    "MAE: 605.7982142857143<br>\n",
+    "MSE: 729533.7598214286<br>\n",
+    "RMSE: 854.1274845252485<br>\n",
+    "R²: -1.0122722045012051<br>\n",
+    "\n",
+    "\n"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Почему выбрал эти метирки:<br>Классификация (Отклик на предложение)<br>\n",
+    "Целевая переменная — бинарная (0 и 1), где 1 — откликнулся, а 0 — не откликнулся. Для классификации подходящими метриками являются:<br>\n",
+    "<br>\n",
+    "Accuracy (Точность):\n",
+    "Это доля правильно классифицированных объектов среди всех. \n",
+    "Подходит для оценки общей эффективности модели. Однако важно учитывать, что если классы несбалансированы, точность может быть обманчивой.<br>\n",
+    "Precision (Точность):\n",
+    "\n",
+    "Это доля истинных положительных случаев среди всех предсказанных положительных случаев.\n",
+    "Важна для задач, где важно минимизировать количество ложных срабатываний, например, когда модель ошибочно классифицирует клиента как откликнувшегося (True Positive).<br>\n",
+    "Recall (Полнота):\n",
+    "\n",
+    "Это доля истинных положительных случаев среди всех истинных положительных случаев.\n",
+    "Важно для задач, где важно не пропустить откликнувшихся клиентов (False Negatives).<br>\n",
+    "F1-Score:\n",
+    "\n",
+    "Это гармоническое среднее между точностью и полнотой.\n",
+    "Подходит для оценки моделей в случаях, когда важно иметь баланс между точностью и полнотой, особенно в ситуациях с несбалансированными классами.<br>\n",
+    "ROC AUC:\n",
+    "Площадь под кривой ROC, которая отображает способность модели различать положительные и отрицательные классы.\n",
+    "Чем выше значение AUC, тем лучше модель справляется с разделением классов."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Регрессия (Прогноз расходов)<br>\n",
+    "Целевая переменная — это числовое значение (расходы клиента). Для задач регрессии используются другие метрики:<br>\n",
+    "\n",
+    "Mean Absolute Error (MAE):\n",
+    "\n",
+    "Это средняя абсолютная ошибка предсказания.\n",
+    "Простой и интерпретируемый показатель, который описывает среднее отклонение предсказанных значений от фактических.<br>\n",
+    "Mean Squared Error (MSE):\n",
+    "\n",
+    "Это средняя квадратичная ошибка.\n",
+    "Чувствителен к большим ошибкам, так как квадратичный штраф увеличивает вес больших отклонений, что полезно, если вы хотите минимизировать большие ошибки.<br>\n",
+    "Root Mean Squared Error (RMSE):\n",
+    "\n",
+    "Это квадратный корень из MSE.\n",
+    "Подходит для задач, где важно учитывать большие ошибки, так как более чувствителен к выбросам.<br>\n",
+    "R-squared (R²):\n",
+    "\n",
+    "Это коэффициент детерминации, который показывает, какая доля дисперсии целевой переменной объясняется моделью.\n",
+    "R² может быть полезен для оценки того, насколько хорошо модель объясняет вариацию целевой переменной, но не всегда подходит, если модель имеет много выбросов или некорректно подогнана.<br>"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "9.Оценка"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 45,
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "Evaluating model: Logistic Regression\n",
+      "Train Accuracy: 0.8476, Test Accuracy: 0.8586\n",
+      "Bias: 0.0000, Variance: 0.0000\n",
+      "Train Error (MSE): 732205.3240, Test Error (MSE): 723300.1101\n",
+      "Bias: 0.0000, Variance: 0.0000\n",
+      "Evaluating model: Random Forest\n",
+      "Train Accuracy: 0.8476, Test Accuracy: 0.8586\n",
+      "Bias: 0.0000, Variance: 0.0000\n",
+      "Train Error (MSE): 732205.3240, Test Error (MSE): 723300.1101\n",
+      "Bias: 0.0000, Variance: 0.0000\n",
+      "Evaluating model: SVM\n",
+      "Train Accuracy: 0.8476, Test Accuracy: 0.8586\n",
+      "Bias: 0.0000, Variance: 0.0000\n",
+      "Train Error (MSE): 732205.3240, Test Error (MSE): 723300.1101\n",
+      "Bias: 0.0000, Variance: 0.0000\n"
+     ]
+    }
+   ],
+   "source": [
+    "import numpy as np\n",
+    "from sklearn.metrics import mean_squared_error, accuracy_score\n",
+    "\n",
+    "# Оценка смещения и дисперсии для классификации и регрессии\n",
+    "def evaluate_bias_variance(model, X_train, y_train, X_test, y_test, task='classification'):\n",
+    "    # Прогнозы на обучающих и тестовых данных\n",
+    "    y_train_pred = model.predict(X_train)\n",
+    "    y_test_pred = model.predict(X_test)\n",
+    "\n",
+    "    if task == 'classification':\n",
+    "        # Для классификации считаем точность\n",
+    "        train_accuracy = accuracy_score(y_train, y_train_pred)\n",
+    "        test_accuracy = accuracy_score(y_test, y_test_pred)\n",
+    "        print(f\"Train Accuracy: {train_accuracy:.4f}, Test Accuracy: {test_accuracy:.4f}\")\n",
+    "    elif task == 'regression':\n",
+    "        # Для регрессии считаем среднеквадратичную ошибку (MSE)\n",
+    "        train_error = mean_squared_error(y_train, y_train_pred)\n",
+    "        test_error = mean_squared_error(y_test, y_test_pred)\n",
+    "        print(f\"Train Error (MSE): {train_error:.4f}, Test Error (MSE): {test_error:.4f}\")\n",
+    "\n",
+    "    # Для оценки смещения и дисперсии на тестовых данных\n",
+    "    bias = np.mean(y_test_pred - y_train_pred[:len(y_test_pred)])  # Смещение: разница между тестом и обучением\n",
+    "    variance = np.var(y_test_pred - y_train_pred[:len(y_test_pred)])  # Дисперсия: варьирование прогнозов\n",
+    "\n",
+    "    print(f\"Bias: {bias:.4f}, Variance: {variance:.4f}\")\n",
+    "\n",
+    "# Оценим для каждой из моделей\n",
+    "for name, model in best_models.items():\n",
+    "    print(f\"Evaluating model: {name}\")\n",
+    "    # Для классификации\n",
+    "    evaluate_bias_variance(model, X_train_class, y_train_class, X_test_class, y_test_class, task='classification')  \n",
+    "    # Для регрессии\n",
+    "    evaluate_bias_variance(model, X_train_reg, y_train_reg, X_test_reg, y_test_reg, task='regression')  \n"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Конец"
+   ]
+  }
+ ],
+ "metadata": {
+  "kernelspec": {
+   "display_name": "miivenv",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 3
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython3",
+   "version": "3.12.5"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 2
+}