lab_3

lab_3/lab3.ipynb

@@ -166,7 +166,6 @@
     "import pandas as pd\n",
     "from sklearn.model_selection import train_test_split\n",
     "\n",
-    "# Предположим, что у вас есть загруженный DataFrame, например df\n",
     "# Загрузим данные\n",
     "df = pd.read_csv(\".//static//csv//Starbucks Dataset.csv\")\n",
     "\n",
@@ -498,9 +497,7 @@
     "df['Date'] = pd.to_datetime(df['Date'])\n",
     "\n",
     "# Конструирование признаков\n",
-    "# Унитарное кодирование категориальных признаков\n",
-    "# Хотя в вашем наборе данных нет явных категориальных признаков, давайте сделаем предположение,\n",
-    "# что 'Date' можно использовать для создания дополнительных признаков (например, год и месяц).\n",
+    "\n",
     "df['Year'] = df['Date'].dt.year\n",
     "df['Month'] = df['Date'].dt.month\n",
     "\n",
@@ -514,8 +511,7 @@
     "y_close = df['Close']\n",
     "y_volume = df['Volume']\n",
     "\n",
-    "# Предполагаем, что вся датафрейм будет использован для обучения здесь,\n",
-    "# но в дальнейшем вы можете разделить ваши данные.\n",
+    "\n",
     "X = train_data_encoded.drop(columns=['Date', 'Close', 'Volume', 'Adj Close'])\n",
     "\n",
     "# Дискретизация числовых признаков (например, 'Close').\n",