Главная страница   
Экстренная связь
Сейчас на сайте

Админов: 1 из 8
Исполнителей: 7 из 188
Клиентов: 25 из 8704

Наша помощь
Оценить задание
• Программирование
Информатика
Базы данных
СУБД
• Разработка ПО
Бухгалтерский учёт
Экономика, Аудит
Финанс. менеджмент
Финансовый анализ
Эконом. теория
Эконом. предприятия
Финансы и кредит
Менеджмент
Маркетинг
• ТУСУРовцам
Юриспруденция
Право
Психология
Психологическая консультация
Математика
Исследование операций
Методы оптимизации
Физика
Радиотехника
Электроника
Схемотехника
Механика
Метрология
• Перефразирование
История
Английский
Другой предмет
Готовые работы
• Каталог
Программирование
Экономика, Аудит
Бухгалтерский учёт
Финансы и кредит
Юриспруденция
Право
История
Психология
Механика
Информация
О сайте
Наши цены
Соглашение
Наши гарантии
Способы оплаты
Вопросы и ответы
Отзывы клиентов
Бонусы и скидки
Регистрация
Вакансии
Написать письмо
Мы работаем
ЕЖЕДНЕВНО
с 9:30 до 23:30 msk
ПИШИТЕ НАМ
  +79374242235
  +79374242235
  kursovikcom
  kursovikcom

Поиск готовой работы


Разное
Архив заказов
Анекдоты
Облака тегов
Карточные игры
Преподы-монстры
Антиплагиат
Мысли вслух

Банковские карты
QIWI
Юmoney


Яндекс.Метрика











Построение и оценка производительности дерева принятия решений. Логистическая регрессия

Лабораторная работа
в среде программирования Python



Если Вы считаете, что данная страница каким-либо образом нарушает Ваши авторские права, то Вам следует обратиться в администрацию нашего сайта по адресу info@kursovik.com либо через форму обратной связи

Среда программирования: Python

Название работы: Построение и оценка производительности дерева принятия решений. Логистическая регрессия

Вид работы: Лабораторная работа

Описание: Задание на Лабораторную работу №1.
По курсу «Введение в ИС».

Часть 0. Установить Python, Jupyter NoteBook, подготовить среду.
Часть 1. Подготовка данных для задачи классификации.
1.1. Выбрать датасет. Допускается как выбор собственного, так и одного из предложенных.
1.2. Загрузить датасет.
1.3. Вывести на экран информацию о размерности данных (количество наблюдений и
количество переменных).
1.4. Удалить строки содержащие пропущенные данные.
1.5. Удалить выбросы, попробуйте применить трансформацию данных (rescale)
1.6. Перевести категориальные переменные из формата строки в бинарный (подготовка к
задачи классификации).
1.7. Вывести на экран первые 5 наблюдений.
1.8. Разделить датасет на две подвыборки в пропорции 0.75 и 0.25. 75% наблюдений должно оказаться в первой подвыборке, а остальные 25% во второй.

Часть 2. Построение и оценка производительности дерева принятия решений
2.1. Выбранный и подготовленный к работе набор данных должен быть разделен на
подвыборки для обучения и валидации. Допускается использование кросс-валидации.
2.2. Реализовать/вызвать алгоритм для построения дерева решений с использование gini index.
2.3. Обучить алгоритм на тренировочной выборке и оценить производительность на
тестовой.
2.4. Вывести на экран количество листьев, глубину (depth), значение метрики (gini по
умолчанию).
2.5. Рассчитать и вывести на экран точность для тренировочной и тестовой подвыборок.
2.6. Провести несколько экспериментов, варьирую глубину дерева. Сравнить результаты точности классификации. Постарайтесь упростить дерева без потери в точности.
2.7. Повторите пункты 2.2 – 2.6. с использование коэффициента энтропии (entropy) вместо gini.
2.8. Выбрать лучшее дерево принятия решения.
2.6. Отобразить обученную модель графически.

Часть 3. Логистическая регрессия
2.1. Выбранный и подготовленный к работе набор данных должен быть разделен на
подвыборки для обучения и валидации. Допускается использование кросс-валидации.
2.2. Реализовать/вызвать алгоритм для обучения модели логистической регрессии
2.3. Обучить алгоритм на тренировочной выборке и оценить производительность на
тестовой.
2.4. Вывести на экран параметры модели (коэффициенты и свободный член).
2.5. Рассчитать и вывести на экран точность для тренировочной и тестовой подвыборок.

Часть 4.
4.1. Сравнить результаты построенных моделей с помощью логистической регрессии и дерева принятия решения. Сделать выбор в пользу лучшей модели.
4.2. Оформить отчет. Все пункты задания должны быть задокументированы в отчете с примерами программной реализации и полученными результатами.

Год: 2022

<<< Назад к списку

Данный заказ (лабораторная работа) выполнялся нашим сайтом в 2022-м году, в рамках этого заказа была разработана программа в среде программирования Python. Если у Вас похожее задание на программу, которую нужно написать на Python, либо на другом языке программирования, пожалуйста заполните форму, приведённую ниже, после чего Ваше задание в первую очередь рассмотрит наш программист, выполнявший в 2022-м году этот заказ, если он откажется, то Ваше задание оценят другие наши программисты в течение 48-и часов, если оценка нужна срочно, просим Вас оставить пометку об этом - напишите в тексте задания фразу "СРОЧНЫЙ ЗАКАЗ".

Купить эту работу

Тел.: +79374242235
Viber: +79374242235
Telegram: t.me/kursovikcom
ВКонтакте: vk.com/kursovikcom
WhatsApp +79374242235
E-mail: info@kursovik.com
Skype: kursovik.com





ВНИМАНИЕ ! Сотрудники сайта KURSOVIK.COM в своей работе осуществляют сбор, обработку и обобщение информации по предложенным клиентам темам. Результатом данной работы является информационная подборка, которая НЕ ЯВЛЯЕТСЯ готовой НАУЧНОЙ РАБОТОЙ, она лишь служит основой для её написания самим клиентом.
Данный сайт НЕ ЯВЛЯЕТСЯ средством массовой информации.
Данный сайт НЕ ЯВЛЯЕТСЯ рекламой каких-либо товаров или услуг.
© 2001-2023 kursovik.com
➥ Оценить задание
➥ Контакты