Министерство цифрового развития, связи и массовых коммуникаций

Российской Федерации Ордена Трудового Красного Знамени

федеральное государственное бюджетное образовательное

учреждение высшего образования

Московский технический университет связи и информатики

Кафедра «Математическая кибернетика и информационные технологии»

Лабораторная работа №7

по дисциплине

«Управление данными»

Москва 2023

Оглавление

Цель работы 2

Ход лабораторной работы 3

Вывод 18

Цель работы

Ознакомиться с методами классификации модуля Sklearn

Ход лабораторной работы

Создадим Python скрипт и загрузим данные в датафрейм. Загрузим данные в датафрейм

Рисунок 1 – Загрузка данных в датафрейм

Выделим данные и их метки

Рисунок 2 – Код

Преобразуем тексты меток к числам

Рисунок 3 – Код

Разобьём выборку на обучающую и тестовую

Рисунок 4 – Код

Проведем классификацию наблюдений наивным байесовским методом

Рисунок 5 – Полученный результат

Используя функцию score() выведем точность классификации

Рисунок 6 – Полученный результат

Проведем классификацию используя MultinomialNB, ComplementNB, BernoulliNB. Опишем особенности методов.

Рисунок 7 – Код

Рисунок 8 – Полученный результат

Рисунок 9 – Полученный результат

Классификацию при помощи деревьях на тех же данных

Рисунок 10 – Полученный результат

Используя функцию score() выведем точность классификации

Рисунок 11 – Полученный результат

Выведем характеристики дерева, количество листьев и глубину, используя функции get_n_leaves и get_depth

Рисунок 12 – Полученный результат

Выведем изображение полученного дерева

Рисунок 13 – Полученный результат

Построим график зависимости неправильно классифицированных наблюдений и точности классификации от размера тестовой выборки. Размер тестовой выборки изменяем от 0.05 до 0.95 с шагом 0.05. Параметр random_state сделайте равным номеру своей зачетной книжки. Обоснуем полученные результаты

Рисунок 14 – Полученный результат

Исследуем работу классифицирующего дерева при различных параметрах criterion, splitter, max_depth, min_samples_split, min_samples_leaf

Рисунок 15 – Полученный результат

Рисунок 16 – Полученный результат

Рисунок 17 – Полученный результат

Рисунок 17 – Полученный результат

Рисунок 18 – Полученный результат

Рисунок 19 – Полученный результат

Рисунок 20 – Полученный результат

Рисунок 21 – Полученный результат

Рисунок 22 – Полученный результат

Рисунок 23 – Полученный результат

Рисунок 24 – Полученный результат

Рисунок 25 – Полученный результат

Вывод

Ознакомиться с методами классификации модуля Sklearn