## 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 
![img.png](img_screen_1.png)

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
![img.png](img_screen_2.png)