ПРИЛОЖЕНИЕ 7

ЭТАЛОН ВЫПОЛНЕНИЯ ЛАБОРАТОРНОЙ РАБОТЫ №6 (ЛР6): ПРИМЕР ПОСТРОЕНИЯ МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ

Пример: прогноз популярности трека.

Задача – оценить влияние характеристик трека на количество просмотров.

1. ИМПОРТ БИБЛИОТЕК

import pandas as pd

import matplotlib.pyplot as plt



from sklearn.model_selection import train_test_split

from sklearn.linear_model import LinearRegression

from sklearn.metrics import r2_score

2. ЗАГРУЗКА ДАННЫХ

df = pd.read_csv("data/spotify_edu_dataset.csv")

3. ПОДГОТОВКА ПРИЗНАКОВ

features = ["energy", "danceability", "tempo", "duration_sec"]



X = df[features]

y = df["views"]

4. РАЗДЕЛЕНИЕ ОБУЧАЮЩЕЙ И ТЕСТОВОЙ ВЫБОРКИ

X_train, X_test, y_train, y_test = train_test_split(
 X, y,
 test_size=0.2,
 random_state=42

)

5. ОБУЧЕНИЕ МОДЕЛИ

model = LinearRegression()

model.fit(X_train, y_train)

6. ПРЕДСКАЗАНИЕ

y_pred = model.predict(X_test)

7. ОЦЕНКА КАЧЕСТВА МОДЕЛИ

r2 = r2_score(y_test, y_pred)

print("R²:", r2)

8. ВИЗУАЛИЗАЦИЯ РЕЗУЛЬТАТОВ

plt.scatter(y_test, y_pred)



plt.xlabel("Реальные значения")

plt.ylabel("Предсказанные значения")

plt.title("Сравнение реальных и предсказанных значений")



plt.show()

ИНТЕРПРЕТАЦИЯ РЕЗУЛЬТАТОВ

Если точки на графике располагаются близко к диагонали, модель хорошо прогнозирует значения.

Коэффициент R² показывает долю вариации целевой переменной, объясняемую моделью.