48 lines
2.1 KiB
Python
48 lines
2.1 KiB
Python
import pandas as pd
|
||
from sklearn.preprocessing import PolynomialFeatures
|
||
from sklearn.linear_model import LinearRegression
|
||
from sklearn.model_selection import train_test_split
|
||
import matplotlib.pyplot as plt
|
||
|
||
# Загрузка данных
|
||
data = pd.read_csv('Current_Pub_Meta.csv')
|
||
|
||
X = data[['Archon Picks', 'Archon Win Rate', 'Legend Picks', 'Ancient Picks', 'Ancient Win Rate']]
|
||
y = data['Legend Win Rate']
|
||
names = data['Name']
|
||
|
||
# Разбиваем данные на обучающую и тестовую выборки
|
||
X_train, X_test, y_train, y_test, names_train, names_test = train_test_split(X, y, names, test_size=0.1, random_state=42)
|
||
|
||
# Применяем полиномиальные признаки к обучающим данным
|
||
poly_features = PolynomialFeatures(degree=2)
|
||
X_train_poly = poly_features.fit_transform(X_train)
|
||
|
||
# Создаем и обучаем модель полиномиальной регрессии
|
||
poly_model = LinearRegression()
|
||
poly_model.fit(X_train_poly, y_train)
|
||
|
||
# Применяем полиномиальные признаки к тестовым данным и делаем предсказания
|
||
X_test_poly = poly_features.transform(X_test)
|
||
y_pred = poly_model.predict(X_test_poly)
|
||
|
||
# Оценка качества модели на тестовых данных
|
||
r2 = poly_model.score(X_test_poly, y_test)
|
||
print(f"R-квадрат: {r2}")
|
||
|
||
# Построение графика с именами персонажей
|
||
plt.figure(figsize=(10, 6))
|
||
plt.title('Корреляция между выбором персонажей и победами в ранге "Legend"')
|
||
plt.grid(True)
|
||
plt.scatter(X_train['Legend Picks'], y_train, color='blue', alpha=0.5, label='Обучающая выборка')
|
||
plt.scatter(X_test['Legend Picks'], y_test, color='red', alpha=0.5, label='Тестовая выборка')
|
||
|
||
# Добавляем имена персонажей на график
|
||
for i, name in enumerate(names_test):
|
||
plt.annotate(name, (X_test['Legend Picks'].iloc[i], y_pred[i]), fontsize=8, alpha=0.7, color='black')
|
||
|
||
plt.xlabel('Legend Picks')
|
||
plt.ylabel('Legend Win Rate')
|
||
plt.legend()
|
||
plt.show()
|