Data

Tools

Indexes

Applications

Experiments

Awesome

An open API service indexing awesome lists of open source software.

https://github.com/separatrixxx/aidl_labs_7_sem

👓 Laboratory work for the 7 semester of MAI on AIDL
https://github.com/separatrixxx/aidl_labs_7_sem

ai classification data-learning multimedia python regression sklearn

Last synced: about 1 year ago
JSON representation

👓 Laboratory work for the 7 semester of MAI on AIDL

Awesome Lists containing this project

README 

          
# Лабы за 7 семестр ПМИ МАИ по Методам, средствам и технологииям мультимедиа



(по факту это искусственный интеллект и анализ данных)



### **Выполнил Лохматов Никита Игоревич, М8О-406Б-21**



### Структура



- В директории `datasets` лежат два датасета: `shelter_animal_outcomes.csv` для задачи классификации и `kc_house_data.csv` для задачи регрессии



- В директориях `lab1`, `lab2`, `lab3`, `lab4` и `lab5` лежат соответственные ЛР по отдельности



- В файле `labs1-5.ipynb` лежит сборник всех ЛР, итоговая таблица с результатами и выводы



### Таблица с результатами



| Алгоритм              | Задача          | Бейзлайн                                                                 | Улучшенный бейзлайн                                                   | Самостоятельная имплементация                                       | Улучшенная самостоятельная имплементация                            |

|------------------------|-----------------|-------------------------------------------------------------------------|----------------------------------------------------------------------|----------------------------------------------------------------------|----------------------------------------------------------------------|

| **KNN**               | Классификация  | accuracy: 0.7180 
 f1: 0.6582 
 recall: 0.6622 
 precision: 0.6542 | accuracy: 0.6770 
 f1: 0.5193 
 recall: 0.4256 
 precision: 0.6660 | accuracy: 0.7320 
 f1: 0.6736 
 recall: 0.6744 
 precision: 0.6727 | accuracy: 0.6795 
 f1: 0.6016 
 recall: 0.5902 
 precision: 0.6134 |

|                        | Регрессия      | mae: 165296.01 
 rmse: 273167.61 
 r²: 0.4968                     | mae: 145297.89 
 rmse: 230201.78 
 r²: 0.6427                   | mae: 143717.60 
 rmse: 228580.44 
 r²: 0.6477                   | mae: 145279.43 
 rmse: 230197.34 
 r²: 0.6427                   |

| **Линейные модели**    | Классификация  | accuracy: 0.7625 
 f1: 0.6953 
 recall: 0.6610 
 precision: 0.7334 | accuracy: 0.7338 
 f1: 0.6635 
 recall: 0.6422 
 precision: 0.6863 | accuracy: 0.7060 
 f1: 0.4674 
 recall: 0.3146 
 precision: 0.9085 | accuracy: 0.7570 
 f1: 0.6920 
 recall: 0.6659 
 precision: 0.7203 |

|                        | Регрессия      | mae: 142010.83 
 rmse: 226649.05 
 r²: 0.6536                     | mae: 141519.59 
 rmse: 226630.27 
 r²: 0.6537                   | mae: 141883.26 
 rmse: 226499.03 
 r²: 0.6541                   | mae: 141884.33 
 rmse: 226502.94 
 r²: 0.6540                   |

| **Решающее дерево**    | Классификация  | accuracy: 0.7305 
 f1: 0.6707 
 recall: 0.6695 
 precision: 0.6720 | accuracy: 0.7500 
 f1: 0.6484 
 recall: 0.5622 
 precision: 0.7658 | accuracy: 0.7100 
 f1: 0.4775 
 recall: 0.3232 
 precision: 0.9138 | accuracy: 0.7500 
 f1: 0.6474 
 recall: 0.5598 
 precision: 0.7676 |

|                        | Регрессия      | mae: 165621.36 
 rmse: 270434.98 
 r²: 0.5068                     | mae: 144253.57 
 rmse: 224019.85 
 r²: 0.6616                   | mae: 221864.00 
 rmse: 362256.06 
 r²: 0.1151                   | mae: 221864.00 
 rmse: 362256.06 
 r²: 0.1151                   |

| **Случайный лес**      | Классификация  | accuracy: 0.7525 
 f1: 0.6904 
 recall: 0.6732 
 precision: 0.7086 | accuracy: 0.7630 
 f1: 0.6989 
 recall: 0.6707 
 precision: 0.7294 | accuracy: 0.7240 
 f1: 0.6546 
 recall: 0.6378 
 precision: 0.6722 | accuracy: 0.7235 
 f1: 0.6576 
 recall: 0.6476 
 precision: 0.6679 |

|                        | Регрессия      | mae: 125980.82 
 rmse: 197415.05 
 r²: 0.7372                     | mae: 125162.05 
 rmse: 193739.07 
 r²: 0.7469                   | mae: 171256.58 
 rmse: 280589.84 
 r²: 0.4691                   | mae: 146040.42 
 rmse: 250307.33 
 r²: 0.5775                   |

| **Градиентный бустинг**| Классификация  | accuracy: 0.7590 
 f1: 0.6596 
 recall: 0.5695 
 precision: 0.7836 | accuracy: 0.7685 
 f1: 0.7068 
 recall: 0.6805 
 precision: 0.7352 | accuracy: 0.7550 
 f1: 0.6418 
 recall: 0.5354 
 precision: 0.8011 | accuracy: 0.7715 
 f1: 0.7102 
 recall: 0.6829 
 precision: 0.7398 |

|                        | Регрессия      | mae: 125246.45 
 rmse: 195061.07 
 r²: 0.7434                     | mae: 125143.45 
 rmse: 197023.59 
 r²: 0.7382                   | mae: 125250.42 
 rmse: 194972.52 
 r²: 0.7437                   | mae: 125040.79 
 rmse: 195862.95 
 r²: 0.7413                   |