Добавил:
За качество не ручаюсь Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:

3

.1.pdf
Скачиваний:
0
Добавлен:
23.01.2025
Размер:
952.19 Кб
Скачать

Практическое задание к теме: Обеспечение безопасности в процессе реализации профессиональных функций субъектами инженерной деятельности Тема: Модель классификации дерева решений Цель работы: в соответствии с пройденной темой, учащимся предлагается для

выполнения практическое задание для закрепления полученного теоретического материала.

Задание:

Сделать по аналогии с представленным заданием, используя свои вводные данные Создать и оптимизировать модель классификации дерева решений на данных.

Оценить точность модели, проанализировать важность признаков и визуализировать структуру дерева

Отчет по практическому заданию должен содержать:

1.ФИО и номер группы учащегося, задание

2.Выполнение задания в соответствии с указанными пунктами

3.Шрифт times new roman, 14шрифт, одинарный интервал, выравнивание по ширине, отступ 1,25

4.Обязательное наличие пошагового описания к скриншотам выполнения практического задания

5.Все скриншоты должны быть подписаны (рис. __) и подробно прокомментированы по ходу выполнения задания

ПРИМЕР ОФОРМЛЕНИЯ

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ «МОСКОВСКИЙ ПОЛИТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ»

ПРАКТИЧЕСКАЯ РАБОТА ПО ТЕМЕ

«Модель классификации дерева решений»

Руководители

______________ ---ФИО---

Выполнил(а)

______________ ---ФИО студента--

Москва 202__

1.Используем функции из sklearn.datasets для загрузки набора данных ирисов. Данные разделяем на обучающую и тестовую выборки с помощью train_test_split, что позволяет провести оценку производительности модели на данных, которые модель ранее не видела. (рис. 1)

Рисунок 1 – Загрузка и разделение данных

2.Создаем и обучаем модель классификации с использованием дерева решений (DecisionTreeClassifier). Параметр random_state используется для обеспечения воспроизводимости результатов. (рис. 2)

Рисунок 2 – Обучение модели с использованием DecisionTreeClassifier

3.Проводим предсказание на тестовой выборке и оцениваем точность модели с помощью accuracy_score. Это дает представление о том, насколько хорошо модель справляется с классификацией. (рис. 3)

Рисунок 3 – Предсказание и оценка модели

4.Выполняем перебор различных значений глубины дерева для определения оптимальной глубины. Результаты сохраняем в accuracy_scores, что позволяет оценить влияние глубины дерева на точность модели. (рис. 4)

Рисунок 4 – Оптимизация модели

5.С помощью matplotlib.pyplot создаем график, показывающий то, как изменяется точность модели в зависимости от глубины дерева. Это помогает визуализировать результаты оптимизации. (рис. 5)

Рисунок 5 – Визуализация точности и глубины

6.С помощью атрибута feature_importances_ модели определяем важность каждого признака в наборе данных. Создаем гистограмму важности признаков, позволяющую визуально оценить, какие признаки оказывают наибольшее влияние на решения, принимаемые моделью. (рис. 6-7)

Рисунок 6 – Анализ и визуализация важности признаков

Рисунок 7 – График важности признаков

7.С помощью export_graphviz и graphviz экспортируем и визуализируем структуру обученного дерева решений. Это позволяет понять логику, по которой модель принимает решения на основе данных. (рис. 8-9)

Рисунок 8 – Визуализация дерева решений

Рисунок 9 – Визуализация дерева решений

Соседние файлы в предмете Организационное и правовое обеспечение инженерной деятельности