Original size 1140x1600

Машинное обучение в анализе Lada

PROTECT STATUS: not protected

ВВОДНАЯ ЧАСТЬ

Lada, основанная в 1966 году, является российским производителем автомобилей, который выпускает автомобили более 50 лет. Автомобили Lada известны своей доступностью, надежностью и простотой. Компания произвела широкий ассортимент моделей, от компактных седанов до внедорожников и фургонов.

Создание синтетического набора данных для автомобилей Lada

В этом коде мы создадим синтетический набор данных для автомобилей Lada с использованием библиотеки pandas. Мы сгенерируем случайные данные для 2000 автомобилей. Для каждого автомобиля мы случайным образом выберем следующие параметры:

Модель: модель автомобиля Lada (Niva, Granta, Samara, Kalina) Год: год производства (1990-2022) Цена: цена автомобиля (среднее значение 25000 рублей со стандартным отклонением 5000) Пробег: пробег автомобиля (среднее значение 80000 км со стандартным отклонением 20000) Цвет: цвет автомобиля Состояние: состояние автомобиля (новый или подержанный) Местоположение: местоположение автомобиля Коробка передач: тип коробки передач (механическая или автоматическая) Владельцы: количество владельцев (1-4) Тип кузова: тип кузова автомобиля (седан, хэтчбек, внедорожник) Опции: опции автомобиля (базовый, стандартный, премиум) Тип топлива: тип топлива (бензин или дизель)

big
Original size 2607x1526
big
Original size 2232x414

Распределение цветов автомобилей

Эта круговая диаграмма показывает распределение цветов автомобилей в наборе данных. Цвета представлены различными оттенками палитры viridis.

Original size 2713x337
Original size 850x547

Распределение автомобилей Lada по состоянию

Этот столбчатый график показывает распределение автомобилей Lada по их состоянию. График отображает количество автомобилей в состоянии «Новые» и «Б/У». Используемая цветовая палитра включает зеленый и желтый цвета, что помогает различить два состояния.

Original size 2753x346
Original size 859x547

Распределение автомобилей Lada по местоположению

Этот график показывает распределение автомобилей Lada по их местоположению. График отображает количество автомобилей в каждом месте, включая Москву, Санкт-Петербург, Казань и Екатеринбург. Для цветовой палитры используется комбинация зелёного, жёлтого, оранжевого и фиолетового цветов, что помогает различать разные местоположения. Ось x повернута на 45 градусов, чтобы разместить более длинные названия местоположений.

Original size 2753x334
Original size 850x612

3D Точечная Диаграмма Цен на Автомобили Lada в Зависимости от Года и Пробега

Объяснение: Эта 3D точечная диаграмма использует библиотеку plotly.express для визуализации взаимосвязи между годом выпуска, пробегом и ценой автомобилей Lada. Диаграмма окрашена в зависимости от модели автомобиля, причем четыре разных цвета представляют различные модели. Ось x представляет год выпуска, ось y — пробег, а ось z — цену автомобиля. Диаграмма выполнена в тёмной теме, что делает данные более заметными.

Original size 2757x632

Вот как это работает:

px.scatter_3d используется для создания 3D точечной диаграммы. Она принимает dataframe df_lada в качестве входных данных вместе с различными аргументами для настройки диаграммы. x='Year', y='Mileage' и z='Price' указывают столбцы в dataframe, которые используются для осей x, y и z соответственно. color='Model' указывает, что мы хотим окрашивать точки на диаграмме в зависимости от модели автомобиля. labels используется для задания пользовательских меток для каждой оси. color_discrete_sequence используется для указания списка цветов, которые будут использоваться для каждой модели. template='plotly_dark' используется для применения темной темы к диаграмме. fig.update_layout используется для настройки компоновки диаграммы. В данном случае мы задаем пользовательские названия для каждой оси и указываем ширину и высоту диаграммы. В целом, эта диаграмма предоставляет мощный инструмент для визуализации взаимосвязей между этими тремя переменными в нашем наборе данных.

Original size 1594x1090

Цена против Пробега для Моделей Lada

Этот точечный график использует библиотеку seaborn для визуализации зависимости между пробегом и ценой автомобилей Lada. График окрашен по моделям автомобилей, с четырьмя различными цветами, представляющими разные модели. Ось x представляет пробег автомобиля, а ось y — цену автомобиля. Легенда отображается в верхнем правом углу графика, показывая цвет, соответствующий каждой модели.

В целом, этот график обеспечивает быстрый и простой способ визуализации зависимости между пробегом и ценой для различных моделей Lada.

Original size 2751x294
Original size 868x547

Парные графики характеристик автомобилей Lada

Этот парный график использует библиотеку seaborn для визуализации взаимосвязей между различными характеристиками автомобилей Lada. График окрашен по моделям автомобилей, с четырьмя разными цветами, представляющими разные модели. Ось x и ось y представляют различные характеристики, такие как пробег, цена, год и цвет.

Парный график показывает взаимосвязи между различными парами переменных в датафрейме. Каждая переменная представлена диагональной подграфикой, а внедиагональные подграфики показывают взаимосвязь между каждой парой переменных. Цвет каждой точки на графике указывает, к какой модели автомобиля она относится.

Этот график предоставляет быстрый и простой способ визуализировать взаимосвязи между различными характеристиками автомобилей Lada и может помочь нам выявить закономерности или корреляции между этими переменными.

Original size 2714x110
Original size 1098x986
Машинное обучение в анализе Lada
Юссеф Харради создал синтетический набор данных и визуализации для анализа автомобилей Lada с использованием машинного обучения. Проект включает 3D-диаграммы, круговые графики и парные графики, построенные с помощью библиотек pandas, seaborn и plotly.express.
Project description created with AI
Project created at 08.10.2024
More projects in artificial intelligence
Анна Запрягаева провела анализ популярности песен на Spotify с использованием открытых данных из Kaggle. Проект включает визуализацию данных в виде гистограмм, столбчатых диаграмм, точечных диаграмм и линейных графиков.
Елизавета Бондаренко провела анализ данных о деятельности школьников и студентов, используя датасет с Kaggle.com. В проекте применялась генеративная модель Replit для преобразования графиков и создания визуализаций.
Екатерина Питомцева создала визуализацию данных о психологическом состоянии и учебной жизни студентов Computer Science из открытого датасета на Kaggle. Проект включает несколько графиков, созданных с использованием ChatGPT для стилизации и корректировки кода, а также изменение шрифта на Circe для улучшения дизайна.
Николь Стриж создала концепт-арты для 3D стелс-шутера CENTAURUS с использованием нейросетей Midjourney и PlaygroundAi. Проект включает генерацию изображений выживших, врагов и айдентики, где ИИ адаптировал детали под уникальные элементы вселенной игры.
hseanimation
HSE Animation is a platform where animation projects become visible to studios, production companies, media, partners, and audiences. It brings together animators’ portfolios, educational programs, specialized contests, and key events from the professional community. The platform was created in partnership with HSE Art and Design School and is developing a... Show more
best of the best
news and interviews
author's animation
for children
applied animation
information video
playlist