48 lines
2.0 KiB
Python
48 lines
2.0 KiB
Python
import pandas as pd
|
||
from sklearn.metrics import accuracy_score, confusion_matrix
|
||
from sklearn.metrics import classification_report
|
||
from sklearn.preprocessing import LabelEncoder
|
||
from sklearn.model_selection import train_test_split
|
||
from sklearn.linear_model import LogisticRegression
|
||
|
||
# Считываем данные датасета
|
||
data = pd.read_csv('hotel_bookings.csv')
|
||
|
||
# Удаляем столбцы, содержащие неопределенные данные
|
||
data = data.drop(['country', 'agent', 'company'], axis=1)
|
||
data = data.dropna()
|
||
|
||
# Находим категориальные признаки
|
||
list_1 = list(data.columns)
|
||
|
||
list_cate = []
|
||
for i in list_1:
|
||
if data[i].dtype == 'object':
|
||
list_cate.append(i)
|
||
|
||
# Производим кодирование признаков в числовой формат для того, чтобы модель могла с ними работать
|
||
le = LabelEncoder()
|
||
for i in list_cate:
|
||
data[i] = le.fit_transform(data[i])
|
||
|
||
# Исключаем тип отеля из набора входных данных
|
||
y = data['hotel']
|
||
x = data.drop('hotel', axis=1)
|
||
|
||
# Выделяем данные для обучения и тестирования
|
||
x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=0, test_size=0.2)
|
||
|
||
# Создаем и обучаем модель логистической регрессии
|
||
reg = LogisticRegression()
|
||
reg.fit(x_train, y_train)
|
||
|
||
# Используем модель на тестовой выборке и оцениваем точность
|
||
y_pred_reg = reg.predict(x_test)
|
||
acc_reg = accuracy_score(y_test, y_pred_reg)
|
||
|
||
# Выводим результаты оценки точности и обучения
|
||
print("Classification Report is:\n", classification_report(y_test, y_pred_reg))
|
||
print("Confusion Matrix:\n", confusion_matrix(y_test, y_pred_reg))
|
||
print("\nTraining Score:", reg.score(x_train, y_train) * 100)
|
||
print(f"Accuracy Score of Logistic Regression is {acc_reg}")
|