edit in lab_3 (приведено в соответствии с заданием)

basharin_sevastyan_lab_3/README.md

@@ -1,8 +1,8 @@
 ## Лабораторная работа 3. Вариант 4.
 ### Задание 
-Выполнить ранжирование признаков и решить с помощью библиотечной реализации дерева решений 
+По данным из таблицы реши задачу классификации (с помощью дерева решений) на 99% ваших данных. 
-задачу классификации на 99% данных из курсовой работы. Проверить 
+Задачу классификации определить необходимо самостоятельно. 
-работу модели на оставшемся проценте, сделать вывод.
+Проверьте работу модели на оставшемся проценте, сделайте вывод.
 
 Модель:
 - Дерево решений `DecisionTreeClassifier`.
@@ -65,21 +65,8 @@ data['Transmission Type'] = label_encoder.fit_transform(data['Transmission Type'
 data['Registration Status'] = label_encoder.fit_transform(data['Registration Status'])
 ```
 
-#### Выявление значимых параметров
+#### Формулировка задачи
-```python
+Предсказать статус регистрации автомобиля (Registration Status) на основе других параметров.
-# Оценка важности признаков
-feature_importances = clf.feature_importances_
-feature_importance_df = pd.DataFrame({'Feature': X_train.columns, 'Importance': feature_importances})
-feature_importance_df = feature_importance_df.sort_values(by='Importance', ascending=False)
-```
-
-#### Решение задачи кластеризации на полном наборе признаков 
-Чтобы решить задачу кластеризации моделью `DecisionTreeClassifier`, воспользуемся методом `.predict()`.
-```python
-clf = DecisionTreeClassifier(max_depth=5, random_state=42)
-clf.fit(X_train, y_train)
-y_pred = clf.predict(X_test)
-```
 
 #### Оценка эффективности
 Для оценки точности модели будем использовать встроенный инструмент `accuracy_score`:
@@ -88,6 +75,7 @@ accuracy = accuracy_score(y_test, y_pred)
 ```
 
 #### Результаты
-![](accuracy.png "Точность")
+![](res.png "Точность")
 
-![](important.png "Важность признаков")
+### Вывод
+Алгоритм показал высокую точность. Считаем, что алгоритм успешен.

basharin_sevastyan_lab_3/main.py

@@ -40,39 +40,29 @@ data['Body Type'] = label_encoder.fit_transform(data['Body Type'])
 data['Transmission Type'] = label_encoder.fit_transform(data['Transmission Type'])
 data['Registration Status'] = label_encoder.fit_transform(data['Registration Status'])
 
-# Разделение данных на обучающий набор и тестовый набор. Мы будем использовать 99% данных для обучения.
+# Определение целевой переменной и признаков
-train_data, test_data = train_test_split(data, test_size=0.01, random_state=42)
+X = data.drop('Registration Status', axis=1)  # Признаки
+y = data['Registration Status']  # Целевая переменная
 
-# Определите целевую переменную (то, что вы пытаетесь предсказать, например, 'Price').
+# Разделение данных на обучающий и тестовый наборы
-X_train = train_data.drop(columns=['Price'])
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.01, random_state=42)
-y_train = train_data['Price']
-X_test = test_data.drop(columns=['Price'])
-y_test = test_data['Price']
 
-# Создание и обучение модели DecisionTreeClassifier
+# Создание и обучение модели дерева решений
-clf = DecisionTreeClassifier(random_state=42)
+model = DecisionTreeClassifier(random_state=42)
-clf.fit(X_train, y_train)
+model.fit(X_train, y_train)
 
-# Оценка важности признаков
+# Предсказание на тестовом наборе
-feature_importances = clf.feature_importances_
+y_pred = model.predict(X_test)
 
-# Создание DataFrame с именами признаков и их важностью
+# Оценка точности модели
-feature_importance_df = pd.DataFrame({'Feature': X_train.columns, 'Importance': feature_importances})
-
-# Сортировка признаков по убыванию важности
-feature_importance_df = feature_importance_df.sort_values(by='Importance', ascending=False)
-
-# Вывод ранжированных признаков
-print(feature_importance_df)
-
-clf = DecisionTreeClassifier(max_depth=5, random_state=42)
-
-# Обучите модель на обучающем наборе данных
-clf.fit(X_train, y_train)
-
-# Предсказание целевой переменной на тестовом наборе данных
-y_pred = clf.predict(X_test)
-
-# Оцените производительность модели с помощью различных метрик
 accuracy = accuracy_score(y_test, y_pred)
-print(f'Точность модели: {accuracy}')
+print(f'Accuracy: {accuracy * 100:.2f}%')
+
+# Можете также провести анализ других метрик, таких как precision, recall, F1-score и т.д.
+
+# Проверка работы модели на оставшемся проценте данных (1%)
+y_remaining = model.predict(X_test)  # Предполагаем, что X_test представляет оставшиеся 99% данных
+
+# Вывод результата
+print('Результат предсказания на оставшемся проценте данных:')
+print(y_remaining)