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}")