48 lines
2.0 KiB
Python
48 lines
2.0 KiB
Python
|
import pandas as pd
|
|||
|
|
from sklearn.metrics import accuracy_score, confusion_matrix
|
|||
|
|
from sklearn.metrics import classification_report
|
|||
|
|
from sklearn.preprocessing import LabelEncoder
|
|||
|
|
from sklearn.model_selection import train_test_split
|
|||
|
|
from sklearn.linear_model import LogisticRegression
|
|||
|
|
|
|||
|
|
# Считываем данные датасета
|
|||
|
|
data = pd.read_csv('hotel_bookings.csv')
|
|||
|
|
|
|||
|
|
# Удаляем столбцы, содержащие неопределенные данные
|
|||
|
|
data = data.drop(['country', 'agent', 'company'], axis=1)
|
|||
|
|
data = data.dropna()
|
|||
|
|
|
|||
|
|
# Находим категориальные признаки
|
|||
|
|
list_1 = list(data.columns)
|
|||
|
|
|
|||
|
|
list_cate = []
|
|||
|
|
for i in list_1:
|
|||
|
|
if data[i].dtype == 'object':
|
|||
|
|
list_cate.append(i)
|
|||
|
|
|
|||
|
|
# Производим кодирование признаков в числовой формат для того, чтобы модель могла с ними работать
|
|||
|
|
le = LabelEncoder()
|
|||
|
|
for i in list_cate:
|
|||
|
|
data[i] = le.fit_transform(data[i])
|
|||
|
|
|
|||
|
|
# Исключаем тип отеля из набора входных данных
|
|||
|
|
y = data['hotel']
|
|||
|
|
x = data.drop('hotel', axis=1)
|
|||
|
|
|
|||
|
|
# Выделяем данные для обучения и тестирования
|
|||
|
|
x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=0, test_size=0.2)
|
|||
|
|
|
|||
|
|
# Создаем и обучаем модель логистической регрессии
|
|||
|
|
reg = LogisticRegression()
|
|||
|
|
reg.fit(x_train, y_train)
|
|||
|
|
|
|||
|
|
# Используем модель на тестовой выборке и оцениваем точность
|
|||
|
|
y_pred_reg = reg.predict(x_test)
|
|||
|
|
acc_reg = accuracy_score(y_test, y_pred_reg)
|
|||
|
|
|
|||
|
|
# Выводим результаты оценки точности и обучения
|
|||
|
|
print("Classification Report is:\n", classification_report(y_test, y_pred_reg))
|
|||
|
|
print("Confusion Matrix:\n", confusion_matrix(y_test, y_pred_reg))
|
|||
|
|
print("\nTraining Score:", reg.score(x_train, y_train) * 100)
|
|||
|
|
print(f"Accuracy Score of Logistic Regression is {acc_reg}")
|