done

sergeev_evgenii_lab_3/lab3.py

@@ -0,0 +1,76 @@
+import pandas as pd
+import matplotlib.pyplot as plt
+from sklearn.preprocessing import LabelEncoder
+from sklearn.tree import DecisionTreeClassifier, export_graphviz, plot_tree
+
+df = pd.read_csv("hotel_bookings_raw.csv", delimiter=',')
+
+
+# Тип питания в зависимости от инфляции и потребительских настроений по отношению к экономике
+# Функция для отображения дерева решений
+def tree_visual():
+    # Преобразование типов питания к числам
+    # Инициализация LabelEncoder
+    label_encoder = LabelEncoder()
+
+    # Преобразование столбцов в числовые значения для всего фрейма
+    # list_col = ['hotel', 'arrival_date_month', 'meal', 'country', 'market_segment', 'distribution_channel', 'reserved_room_type', 'deposit_type', 'customer_type', 'reservation_status', 'assigned_room_type']
+    # for i in list_col:
+    #     df[i] = label_encoder.fit_transform(df[i])
+    #df[list_col] = label_encoder.fit_transform(df[list_col])
+
+    #для всего фрейма
+    # mean_value = round(df['agent'].mean())
+    # df['agent'].fillna(mean_value, inplace=True)
+
+    # Количество элементов для обучения (99%)
+    count_to_train = round(len(df) * 0.99)
+    # Количество элементов для тестирования (1%)
+    count_to_test = len(df) - count_to_train
+
+    # Набор данных для обучения для всего фрейма
+    # train_df = df.head(count_to_train).copy().drop(columns=['reservation_status_date', 'MO_YR'])
+    train_df = df.head(count_to_train).copy()
+
+    # Тип питания
+    y = train_df.copy()['meal']
+
+    # Уровень инфляции и потребительские настроения по отношению к экономике для всего фрейма
+    # x = train_df.copy().drop(columns=['meal'])
+    x = train_df.copy()[['INFLATION', 'CSMR_SENT']]
+    # Создание модели дерева решений
+    model = DecisionTreeClassifier()
+
+    # Обучение модели
+    model.fit(x, y)
+
+    # Проверка модели для всего фрейма
+    #test_df = df.tail(count_to_test).copy().drop(columns=['reservation_status_date', 'MO_YR'])
+    test_df = df.tail(count_to_test)[['INFLATION', 'CSMR_SENT', 'meal']]
+
+    y_test = test_df.copy()['meal']
+    x_test = test_df.copy().drop(columns=['meal'])
+
+    prediction = model.score(x_test, y_test)
+
+    print('Качество дерева решений: ', prediction * 100, '%')
+    # Визуализация дерева решений
+    plt.figure(figsize=(12, 8))
+    plot_tree(model, feature_names=['INFLATION', 'CSMR_SENT'], filled=True)
+
+    # Сохранение графика в файл .png
+    plt.savefig('decision_tree.png', dpi=300)
+    plt.show()
+
+    res = sorted(dict(zip(list(x.columns), model.feature_importances_)).items(),
+                 key=lambda el: el[1], reverse=True)
+
+    flag = 0
+    print('feature importance:')
+    for val in res:
+        print(val[0]+" - "+str(val[1]))
+
+    return
+
+
+tree_visual()

sergeev_evgenii_lab_3/readme.md

@@ -0,0 +1,23 @@
+# Лабораторная работа 3. Деревья решений
+## Задание
+1. По данным курсовой работы с помощью дерева решений
+решить выбранную задачу: классификация - зависимость типа обеда
+от инфляции и потребительских настроений по отношению к экономике
+
+Ссылка на мой датасет: https://www.kaggle.com/datasets/mlardi/hotel-booking-demand-with-economic-indicators
+### Запуск программы
+Файл lab3.py содержит и запускает программу.
+
+### Описание программы
+Программа состоит из двух частей:
+1. Она считывает файл с данными о двух отелях: City Hotel и Resort Hotel. Содержит множество различных метрик
+2. Далее загружает необходимые столбцы и проводит создание модели
+3. Выводит % правильных предсказаний и создает изображение дерева решений
+### Результаты тестирования
+По результатам тестирования, можно сказать следующее:
+
+* Дерево решений показывает неплохие результаты, 66%.
+* Оценка важности признаков показывает наиболее важным признаком уровень инфляции, затем уже уровень потребительских настроений по отношению к экономике
+* В самом датафрейме есть еще много различных признаков, но они не так сильно влияют на дерево решений
+
+Итого. Дерево решений даёт неплохие результаты при классификации.