42 lines
1.6 KiB
Python
42 lines
1.6 KiB
Python
import pandas as pd
|
|
from sklearn.metrics import accuracy_score, mean_squared_error
|
|
from sklearn.model_selection import train_test_split
|
|
from sklearn.tree import DecisionTreeClassifier
|
|
|
|
# Загрузка данных
|
|
data = pd.read_csv('stroke_prediction_ds.csv')
|
|
|
|
# Приведение данных к цифровому значению
|
|
data['gender'] = data['gender'].map({'Male': 0, 'Female': 1})
|
|
data['ever_married'] = data['ever_married'].map({'No': 0, 'Yes': 1})
|
|
|
|
# Определение признаков
|
|
X = data[['hypertension', 'heart_disease', 'ever_married', 'gender']]
|
|
|
|
# Целевая переменная
|
|
y = data['stroke']
|
|
|
|
# Разделение данных на обучающую и тестовую выборки
|
|
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
|
|
|
|
# Создание модели
|
|
dt_classifier = DecisionTreeClassifier(random_state=42)
|
|
|
|
# Обучение модели
|
|
dt_classifier.fit(X_train, y_train)
|
|
|
|
# Вычисление важности признаков
|
|
feature_importances = dt_classifier.feature_importances_
|
|
|
|
# Вычисление 'Accuracy' модели
|
|
predictions = dt_classifier.predict(X_test)
|
|
accuracy = accuracy_score(y_test, predictions)
|
|
|
|
# Вычисление средней квадратичной ошибки
|
|
mse = mean_squared_error(y_test, predictions)
|
|
|
|
# Вывод результатов
|
|
print(X.head(10))
|
|
print(f'Важность признаков:" {feature_importances}')
|
|
print(f'Accuracy модели: {round(accuracy * 100)}%')
|
|
print("Средняя квадратичная ошибка: {:.2f}%".format(mse * 100)) |