Вывод: Для получения наибольшего спроса требуется разместить товары категории e

в центре зала так, чтобы все потребители проходили около него

Рисунок 1 — Частота появления 1го товара

Рисунок 2 — Частота покупки двух товаров одновременно

Рисунок 3 — Частота покупки второго товара при покупке первого

Рисунок 4 — Частота покупки двух товаров одновременно сгупированная

Рисунок 5 — Частота покупки второго товара при покупке первого сгупированная

Результат: Самый большой спрос имеет товар e, причём при покупке товара e чаще всего покупают товар c, а при покупке других товаров чаще всего покупают товар e

Постановка задачи: Произвести оценку частоты покупки каждого из 5ти товаров, чьи статистические данные были представлены, и оценить частоту покупки пары товаров и предложить наиболее рациональный вариант из размещения для повышения спроса на них.

Метод решения: Обработка представленных статистических данных встроенными методами Excel

Х:(351, 34)
Размерность Y:(351,)
Обучающая выборка (263,) примеров
Тестовая выборка (88,) примеров

Результат
Наивысшая точность

Вывод: Наибольшая эффективность классификатора достигается при количестве равном 2м, теряя свою эффективность в иных случаях. Также было выявлено, что нормализация данных влияет на качество классификации

Постановка задачи: Провести оценку классификации данных ионосферы методом KNeighborsClassifier и определить число соседей для получения наиболее эффективной оценки, оценить эффективность классификации при нормализации данных

Метод решения: Обработка данных их классификация с использованием возможностей Jupyter lab

Данные, являясь линейно разделимыми, без ошибок классифицируются большинством методов классификации,

Постановка задачи: Провести оценку классификации предоставленных данных различными методами и произвести оценку эффективности

Метод решения: Обработка данных их классификация с использованием возможностей Jupyter lab

Рисунок 7 — Матрица диаграммы рассеивания

PCA(n_components=2)
Массив train: (48, 16)
Массив test: (16, 16)
Массив train_PCA: (48, 2)
Массива test_PCA: (16, 2)

Таблица 1 — Сравнение методов классификации с PCA и без

НЕТ ИССЛЕДОВАНИЯ!!!
НУЖНО НА ВСЕХ МЕТОДАХ ПРОСМОТРЕТЬ ВСЕ ПАРАМЕТРЫ(КОТОРЫЕ МЫ ИЗУЧАЛИ) В РАЗНЫХ КОМБИНАЦИЯХ И ЭТО ПРЕДСТАВИТЬ!
СКАЗАТЬ С КАКИМИ ПАРАМЕТРАМИ ЛУЧШЕ!

Представленные данные не являются визуально разделимыми. В данном случае большую

Постановка задачи: Провести оценку классификации данных ionosphere различными методами и произвести оценку эффективности

Метод решения: Обработка данных их классификация с использованием возможностей Jupyter lab

Рисунок 8 — Матрица диаграммы рассеивания

PCA(n_components=11)
Массив train: (48, 16)
Массив test: (16, 16)
Массив train_PCA: (48, 2)
Массива test_PCA: (16, 2)

Таблица 2 — Сравнение методов классификации с PCA и без

НЕТ ИССЛЕДОВАНИЯ!!!
НУЖНО НА ВСЕХ МЕТОДАХ ПРОСМОТРЕТЬ ВСЕ ПАРАМЕТРЫ(КОТОРЫЕ МЫ ИЗУЧАЛИ) В РАЗНЫХ КОМБИНАЦИЯХ И ЭТО ПРЕДСТАВИТЬ!
СКАЗАТЬ С КАКИМИ ПАРАМЕТРАМИ ЛУЧШЕ!

с max_depth=2: train 92.40%, train: 87.50%
MLP с ACTIVATION tanh: train

Вывод: На небольших выборках MLP является гораздо менее эффективной, чем деревья решений, однако, достигая достаточно высокой эффективности при больших объёмах данных, в случае большого количества итераций, MLP быстро переобучается, что является её основной проблемой с подбором необходимых входных данных для эффективной работы. Также, деревья решений являются менее трудоёмкими в сравнении с MLP-моделью

Постановка задачи: Провести оценку классификации данных ionosphere c помощью деревьев решений и нейронных сетей при random_state=4

Метод решения: Обработка данных их классификация с использованием возможностей Jupyter lab

Рисунок 9 — График деревьев решений при разной глубине

Рисунок 10 — График MLP при разном числе итераций

Лучшие результаты max_iters:

mlp.score train 301: 96.58%
mlp.score test 301: 93.18%

mlp.score train 351: 96.96%
mlp.score test 351: 93.18%

mlp.score train 401: 96.58%
mlp.score test 401: 92.05%