Merge pull request 'kurmyza_pavel_lab_4 is ready' (#101) from kurmyza_pavel_lab_4 into main

Reviewed-on: http://student.git.athene.tech/Alexey/IIS_2023_1/pulls/101

kurmyza_pavel_lab_4/README.md

@@ -0,0 +1,46 @@
+# Лабораторная работа №4
+
+## ПИбд-41, Курмыза Павел
+
+Датасет по варианту: https://www.kaggle.com/datasets/jessemostipak/hotel-booking-demand.
+
+Данный набор данных содержит информацию о бронировании городской и курортной гостиниц и включает в себя такие
+сведения, как время бронирования, продолжительность пребывания, количество взрослых, детей и/или младенцев, количество
+свободных парковочных мест и т.д.
+
+## Как запустить ЛР
+
+- Запустить файл main.py
+
+## Используемые технологии
+
+- Язык программирования Python
+- Библиотеки: sklearn, numpy, pandas
+
+## Что делает программа
+
+Программа решает задачу регрессии на выбранном датасете: предсказание возможности бронирования номера в отеле
+определенного типа (курортный отель или гостиничный). Решение достигается в несколько этапов:
+
+- Предобработка данных
+- Стандартизация данных и приведение их к виду, удобном для работы с моделями ML
+- Использование модели логистической регрессии
+- Оценка точности модели для решения данной задачи
+
+## Тестирование
+
+Для решения задачи регрессии была выбрана модель LogisticRegression.
+
+LogisticRegression - это статистическая модель, которая в своей базовой форме использует логистическую функцию для
+моделирования двоичной зависимой переменной. В анализе регрессии, логистическая регрессия оценивает параметры
+логистической модели (вид бинарной регрессии).
+
+Оценка точности модели:
+
+![Отчет](report.jpg)
+
+## Вывод
+
+По итогу тестирования было выявлено, что данная модель может быть использована для решения задачи предсказания
+возможности бронирования номера в отеле определенного типа. Однако, оценка точности модели и матрица неточностей
+указывают на то, что в 20-30% случаев модель будет ошибаться. 

kurmyza_pavel_lab_4/main.py

@@ -0,0 +1,47 @@
+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}")