55 lines
2.2 KiB
Python
55 lines
2.2 KiB
Python
|
from sklearn.linear_model import LogisticRegression
|
|||
|
|
from sklearn.preprocessing import StandardScaler, LabelEncoder
|
|||
|
|
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix
|
|||
|
|
import matplotlib.pyplot as plt
|
|||
|
|
import pandas as pd
|
|||
|
|
from sklearn.model_selection import train_test_split
|
|||
|
|
|
|||
|
|
|
|||
|
|
def main():
|
|||
|
|
# Чтение данных из датасета
|
|||
|
|
data = pd.read_csv('Clean Data_pakwheels.csv')
|
|||
|
|
|
|||
|
|
# Выбор переменных для модели
|
|||
|
|
features = ['Registration Status', 'Model Year', 'Mileage']
|
|||
|
|
# Выбор лишь части значений для оптимизации работы программы
|
|||
|
|
data = data.sample(frac=.1)
|
|||
|
|
|
|||
|
|
# Отбор нужных столбцов
|
|||
|
|
df = data[features]
|
|||
|
|
|
|||
|
|
# Преобразование строковых значений о регистрации авто в числовые
|
|||
|
|
labelencoder = LabelEncoder()
|
|||
|
|
df['Registration Status'] = labelencoder.fit_transform(df['Registration Status'])
|
|||
|
|
|
|||
|
|
# Разделение на признаки и целевую переменную, представленную как Mileage
|
|||
|
|
X = df.drop('Mileage', axis=1)
|
|||
|
|
y = df['Mileage']
|
|||
|
|
|
|||
|
|
# Разделение данных на тренировочный и тестовый наборы
|
|||
|
|
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.9, random_state=0)
|
|||
|
|
|
|||
|
|
# Создание и обучение логистической регрессии
|
|||
|
|
model = LogisticRegression()
|
|||
|
|
model.fit(X_train, y_train)
|
|||
|
|
|
|||
|
|
# Предсказание на тестовом наборе
|
|||
|
|
y_pred = model.predict(X_test)
|
|||
|
|
|
|||
|
|
# Оценка качества модели
|
|||
|
|
accuracy = accuracy_score(y_test, y_pred)
|
|||
|
|
class_report = classification_report(y_test, y_pred)
|
|||
|
|
|
|||
|
|
print(f'Точность: {accuracy}')
|
|||
|
|
print(f'Классификация:\n{class_report}')
|
|||
|
|
|
|||
|
|
# Визуализация результатов
|
|||
|
|
plt.scatter(X_test['Registration Status'], y_test, color='red', label='Actual')
|
|||
|
|
plt.scatter(X_test['Registration Status'], y_pred, color='green', label='Predicted', marker='x')
|
|||
|
|
plt.xlabel('Registration Status')
|
|||
|
|
plt.ylabel('Mileage')
|
|||
|
|
plt.legend()
|
|||
|
|
plt.savefig(f"image.png")
|
|||
|
|
plt.show()
|
|||
|
|
|
|||
|
|
main()
|