Machine Learning — ML YADRO 2025

В данном репозитории реализованы базовые алгоритмы машинного обучения в рамках трека ML YADRO 2025. Работа выполнена на реальном датасете продаж кофе и посвящена задаче регрессии.

---

Содержание

1. Описание проекта
2. Датасет
3. Среда и инструменты
4. Структура репозитория
5. Постановка задачи
6. Основные этапы работы
7. Используемые модели и результаты
8. Сравнение методов
9. Общие выводы и ограничения

---

1. Описание проекта

Цель проекта — построение и сравнение базовых моделей машинного обучения для предсказания стоимости продукта на основе категориальных признаков. В качестве объекта исследования используется датасет продаж кофе.

2. Датасет

Источник данных: https://www.kaggle.com/datasets/tan5577/coffee-sales-csv

Датасет содержит информацию о продажах кофе, включая:

• название напитка,
• стоимость,
• дату и время покупки,
• день недели и месяц.

Размер данных: 3547 наблюдений, 11 признаков.

3. Среда и инструменты

Язык: Python Среда выполнения: Google Colab

Основные библиотеки:

• numpy
• pandas
• matplotlib
• seaborn
• scikit-learn

4. Структура репозитория

Source.ipynb Первая лабораторная работа. Полный цикл анализа данных, обучения и сравнения моделей.

SourceDecemberUpdate.ipynb (в разработке) Обновлённая версия работы на том же датасете с изменённым техническим заданием и подходами к анализу.

Далее для удобства каждый пункт будет подразбит на 2 подпункта:

• Подпункт 1 дляSource.ipynb
• Подпункт 2 дляSourceDecemberUpdate.ipynb

5. Постановка задачи

5.1 Постановка задачи Source.ipynb

Задача регрессии. Необходимо предсказать стоимость кофе (money) на основе:

• названия напитка (coffee_name);
• месяца покупки (Month_name).

Ограничения:

• Для исключения "хардкодинга" запрещено использование прямого поиска значений по справочнику;
• модель должна выявлять закономерности в данных;
• целевая точность — выше 90%.

5.2 Постановка задачи SourceDecemberUpdate.ipynb

6. Основные этапы работы

6.1 Основные этапы работы Source.ipynb

Загрузка и анализ данных

• Данные загружаются из CSV-файла
• Пропущенные значения отсутствуют
• Категориальные признаки приведены к типу category
• Признак cash_type удалён из-за отсутствия вариативности

Первичный анализ данных

Проведена визуализация:

• зависимости цены от месяца;
• популярности напитков по месяцам;
• распределения цен по типам кофе;
• корреляционной матрицы числовых признаков.

Удалось выявить:

• наличие сезонности;
• слабая линейная корреляция между признаками;
• ключевая роль признака coffee_name.

Обработка признаков

• Категориальные признаки закодированы числовыми маппингами(часть категориальных признаков можно было не переводить, поскольку в датасете были числовые аналоги, что было замечено слишком поздно
• Данные нормализованы для моделей, чувствительных к масштабу
• Выполнено разбиение на обучающую и тестовую выборки в пропорции 3:1

6.2 Основные этапы работы SourceDecemberUpdate.ipynb

7. Используемые модели и результаты

7.1 Используемые модели и результаты Source.ipynb

Linear Regression

• R² на тестовой выборке: около 0.5%
• Модель не улавливает зависимости в данных
• Используется как пример неподходящего выбора алгоритма

RandomForestRegressor

• R² на обучающей выборке: 97.98%

• R² на тестовой выборке: 97.64%

• Наиболее точная модель в рамках работы

• Анализ важности признаков:

  • coffee_name — около 89%
  • Month_name — около 11%

KNeighborsRegressor

• Подбор параметра k выполнен экспериментально

  • Лучший результат при k = 10
  • R² на тестовой выборке: около 97.5%

• Результат сопоставим с Random Forest (незначительно ниже на текущих данных (~0.14%))

7.2 Используемые модели и результаты SourceDecemberUpdate.ipynb

8. Сравнение методов

8.1 Сравнение методов Source.ipynb

Модель	R² (test)
Linear Regression	~0.005
KNeighborsRegressor (k = 10)	~0.975
RandomForestRegressor	~0.976

RandomForestRegressor показал наилучший результат, однако правильно настроенный KNN даёт близкую по качеству модель.

8.2 Сравнение методов SourceDecemberUpdate.ipynb

9. Общие выводы и ограничения

9.1 Общие выводы и ограничения Source.ipynb

• Получена высокая точность предсказания (97.64%)
• Качество модели в наибольшей степени зависит от выбора признаков
• Избыточное количество признаков приводит к шуму и риску переобучения
• Неподходящий алгоритм может давать результат хуже случайного угадывания

Практическое применение модели:

• анализ сезонности и ценовой политики;
• выявление аномалий в системе учёта;
• поддержка аналитических и управленческих решений.

Ограничения:

• модель не предназначена для долгосрочного прогнозирования без переобучения;
• при появлении новых данных требуется повторное обучение.

9.2 Общие выводы и ограничения SourceDecemberUpdate.ipynb