## Задание Решите с помощью библиотечной реализации дерева решений задачу классификации на 99% данных. Проверить работу модели на оставшемся проценте, сделать вывод Вариант №10 ## Используемые технологии В лабораторной были использованы библиотеки: + pandas - позволяет работать с наборами данных + sklearn - используется для работы с моделями и методами машинного обучения + Flask - предоставляет способ быстрого создания веб-страниц для визуализации работы приложения ## Используемые компоненты + DecisionTreeClassifier - библиотечная реализация дерева решений ## Как запустить Запустить файл flask-server, который поднимет локальный сервер и позволит обратиться к программе через браузер по ссылке [http://127.0.0.1:5000/](http://127.0.0.1:5000/) ## Что делает программа Берет 5000 записей из датасета (датасет Chess Game Dataset [https://www.kaggle.com/datasets/datasnaek/chess](https://www.kaggle.com/datasets/datasnaek/chess)), обучает модель DecisionTreeClassifier на 99% данных. После этого модель проверяется на тестовой выборке данных. Программа выводит важности признаков в виде таблицы, а также итоговую точность модели ## Скриншоты работы программы Полученные оценки значимости признаков и точность модели  Был проведен анализ, и на изначально выбранных признаках максимальная точность модели составила 0.56, что означает, что выбранные признаки слабо коррелируют с исходом игры В связи с этим к модели были добавлены ники игроков (id) и убраны некоторые другие признаки, для того чтобы повысить качество работы модели Итоговые оценки значимости и точность модели 