77 lines
3.2 KiB
Python
77 lines
3.2 KiB
Python
import pandas as pd
|
||
import matplotlib.pyplot as plt
|
||
from sklearn.preprocessing import LabelEncoder
|
||
from sklearn.tree import DecisionTreeClassifier, export_graphviz, plot_tree
|
||
|
||
df = pd.read_csv("hotel_bookings_raw.csv", delimiter=',')
|
||
|
||
|
||
# Тип питания в зависимости от инфляции и потребительских настроений по отношению к экономике
|
||
# Функция для отображения дерева решений
|
||
def tree_visual():
|
||
# Преобразование типов питания к числам
|
||
# Инициализация LabelEncoder
|
||
label_encoder = LabelEncoder()
|
||
|
||
# Преобразование столбцов в числовые значения для всего фрейма
|
||
# list_col = ['hotel', 'arrival_date_month', 'meal', 'country', 'market_segment', 'distribution_channel', 'reserved_room_type', 'deposit_type', 'customer_type', 'reservation_status', 'assigned_room_type']
|
||
# for i in list_col:
|
||
# df[i] = label_encoder.fit_transform(df[i])
|
||
#df[list_col] = label_encoder.fit_transform(df[list_col])
|
||
|
||
#для всего фрейма
|
||
# mean_value = round(df['agent'].mean())
|
||
# df['agent'].fillna(mean_value, inplace=True)
|
||
|
||
# Количество элементов для обучения (99%)
|
||
count_to_train = round(len(df) * 0.99)
|
||
# Количество элементов для тестирования (1%)
|
||
count_to_test = len(df) - count_to_train
|
||
|
||
# Набор данных для обучения для всего фрейма
|
||
# train_df = df.head(count_to_train).copy().drop(columns=['reservation_status_date', 'MO_YR'])
|
||
train_df = df.head(count_to_train).copy()
|
||
|
||
# Тип питания
|
||
y = train_df.copy()['meal']
|
||
|
||
# Уровень инфляции и потребительские настроения по отношению к экономике для всего фрейма
|
||
# x = train_df.copy().drop(columns=['meal'])
|
||
x = train_df.copy()[['INFLATION', 'CSMR_SENT']]
|
||
# Создание модели дерева решений
|
||
model = DecisionTreeClassifier()
|
||
|
||
# Обучение модели
|
||
model.fit(x, y)
|
||
|
||
# Проверка модели для всего фрейма
|
||
#test_df = df.tail(count_to_test).copy().drop(columns=['reservation_status_date', 'MO_YR'])
|
||
test_df = df.tail(count_to_test)[['INFLATION', 'CSMR_SENT', 'meal']]
|
||
|
||
y_test = test_df.copy()['meal']
|
||
x_test = test_df.copy().drop(columns=['meal'])
|
||
|
||
prediction = model.score(x_test, y_test)
|
||
|
||
print('Качество дерева решений: ', prediction * 100, '%')
|
||
# Визуализация дерева решений
|
||
plt.figure(figsize=(12, 8))
|
||
plot_tree(model, feature_names=['INFLATION', 'CSMR_SENT'], filled=True)
|
||
|
||
# Сохранение графика в файл .png
|
||
plt.savefig('decision_tree.png', dpi=300)
|
||
plt.show()
|
||
|
||
res = sorted(dict(zip(list(x.columns), model.feature_importances_)).items(),
|
||
key=lambda el: el[1], reverse=True)
|
||
|
||
flag = 0
|
||
print('feature importance:')
|
||
for val in res:
|
||
print(val[0]+" - "+str(val[1]))
|
||
|
||
return
|
||
|
||
|
||
tree_visual()
|