69 lines
4.5 KiB
Python
69 lines
4.5 KiB
Python
import pandas as pd
|
||
from sklearn.tree import DecisionTreeClassifier
|
||
from sklearn.metrics import accuracy_score
|
||
from sklearn.model_selection import train_test_split
|
||
from sklearn.preprocessing import LabelEncoder
|
||
|
||
''' Названия столбцов набора данных и их описание:
|
||
Id: Уникальный идентификатор для каждого автомобиля в списке.
|
||
Price: Ценовой диапазон автомобилей с конкретными ценниками и подсчетами. (111000 - 77500000)
|
||
Company Name: Название компании-производителя автомобилей с указанием процентной доли представительства каждой компании.
|
||
Model Name: Название модели автомобилей с указанием процентного соотношения каждой модели.
|
||
Model Year: Диапазон лет выпуска автомобилей с указанием количества и процентных соотношений. (1990 - 2019)
|
||
Location: Местоположение автомобилей с указанием регионов, где они доступны для покупки, а также их процентное соотношение.
|
||
Mileage: Информация о пробеге автомобилей с указанием диапазонов пробега, количества и процентов. (1 - 999999)
|
||
Engine Type: Описания типов двигателей с процентными соотношениями для каждого типа.
|
||
Engine Capacity: Мощность двигателя варьируется в зависимости от количества и процентов. (16 - 6600)
|
||
Color: Цветовое распределение автомобилей с указанием процентных соотношений для каждого цвета.
|
||
'''
|
||
|
||
|
||
# Загрузите данные из вашей курсовой работы, предположим, что у вас есть файл CSV.
|
||
data = pd.read_csv('Data_pakwheels.csv')
|
||
data.pop("Id")
|
||
|
||
data.dropna(inplace=True) # Удаление строки с пропущенными значениями.
|
||
|
||
# Преобразуйте категориальные признаки в числовые. Используйте, например, one-hot encoding.
|
||
# data = pd.get_dummies(data, columns=['Company Name', 'Model Name', 'Location', 'Engine Type', 'Color'])
|
||
|
||
# Создайте объект LabelEncoder
|
||
label_encoder = LabelEncoder()
|
||
|
||
data['Location'] = label_encoder.fit_transform(data['Location'])
|
||
data['Company Name'] = label_encoder.fit_transform(data['Company Name'])
|
||
data['Model Name'] = label_encoder.fit_transform(data['Model Name'])
|
||
data['Engine Type'] = label_encoder.fit_transform(data['Engine Type'])
|
||
data['Color'] = label_encoder.fit_transform(data['Color'])
|
||
data['Assembly'] = label_encoder.fit_transform(data['Assembly'])
|
||
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'])
|
||
|
||
# Определение целевой переменной и признаков
|
||
X = data.drop('Registration Status', axis=1) # Признаки
|
||
y = data['Registration Status'] # Целевая переменная
|
||
|
||
# Разделение данных на обучающий и тестовый наборы
|
||
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.01, random_state=42)
|
||
|
||
# Создание и обучение модели дерева решений
|
||
model = DecisionTreeClassifier(random_state=42)
|
||
model.fit(X_train, y_train)
|
||
|
||
# Предсказание на тестовом наборе
|
||
y_pred = model.predict(X_test)
|
||
|
||
# Оценка точности модели
|
||
accuracy = accuracy_score(y_test, y_pred)
|
||
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)
|