38 lines
2.0 KiB
Python
38 lines
2.0 KiB
Python
# Импортируем необходимые библиотеки
|
||
import pandas as pd
|
||
from sklearn.model_selection import train_test_split
|
||
from sklearn.linear_model import Ridge
|
||
from sklearn.metrics import mean_squared_error
|
||
from sklearn.preprocessing import StandardScaler
|
||
|
||
# Загрузим данные
|
||
data = pd.read_csv("ваш_файл.csv") # Замените "ваш_файл.csv" на имя вашего файла данных
|
||
|
||
# Выберем признаки (features) и целевую переменную (target)
|
||
features = data[['lead_time', 'arrival_date_year', 'arrival_date_week_number', 'stays_in_weekend_nights',
|
||
'stays_in_week_nights', 'adults', 'children', 'babies', 'previous_cancellations',
|
||
'previous_bookings_not_canceled', 'booking_changes', 'days_in_waiting_list',
|
||
'required_car_parking_spaces', 'total_of_special_requests']]
|
||
target = data['adr']
|
||
|
||
# Разделим данные на тренировочный и тестовый наборы
|
||
X_train, X_test, y_train, y_test = train_test_split(features, target, test_size=0.2, random_state=42)
|
||
|
||
# Масштабируем признаки для лучшей производительности модели
|
||
scaler = StandardScaler()
|
||
X_train_scaled = scaler.fit_transform(X_train)
|
||
X_test_scaled = scaler.transform(X_test)
|
||
|
||
# Создаем модель гребневой регрессии
|
||
ridge_model = Ridge(alpha=1.0) # Можете изменить alpha в зависимости от необходимой регуляризации
|
||
|
||
# Обучаем модель на тренировочных данных
|
||
ridge_model.fit(X_train_scaled, y_train)
|
||
|
||
# Делаем предсказания на тестовых данных
|
||
predictions = ridge_model.predict(X_test_scaled)
|
||
|
||
# Оцениваем производительность модели
|
||
mse = mean_squared_error(y_test, predictions)
|
||
print(f"Среднеквадратичная ошибка (MSE): {mse}")
|