ΠΡΠ°ΡΠΊΠ° ΡΠ²ΠΎΠ΄Π½Π° ΡΠ΅Ρ
ΠΠ΅ΡΡΡΠ΅ΠΌ Π΄Π° Π±ΠΈΡΠΌΠΎ ΠΌΠΎΠ³Π»ΠΈ Π΄Π° ΡΡΠ°Π΄ΠΈΠΌΠΎ Π²ΠΈΡΠ΅ ΡΡΠ²Π°ΡΠΈ ΠΊΠ°Π΄Π° Π±ΠΈΡΠΌΠΎ Π΄ΠΎΠ±ΠΈΠ»ΠΈ ΡΠΏΡΡΡΡΠ²Π° ΠΊΠΎΡΠ°ΠΊ ΠΏΠΎ ΠΊΠΎΡΠ°ΠΊ ΠΊΠΎΡΠ° Π±ΠΈ Π½Π°ΠΌ Π³ΠΎΠ²ΠΎΡΠΈΠ»Π° ΡΡΠ° ΠΈ ΠΊΠ°ΠΊΠΎ Π΄Π° ΡΠ°Π΄ΠΈΠΌΠΎ. Π ΡΠ°ΠΌΠ° ΡΠ΅ ΡΠ΅ΡΠ°ΠΌ ΡΡΠ΅Π½ΡΡΠ°ΠΊΠ° Ρ ΡΠ²ΠΎΠΌ ΠΆΠΈΠ²ΠΎΡΡ ΠΊΠ°Π΄Π° Π½ΠΈΡΠ°ΠΌ ΠΌΠΎΠ³Π»Π° Π½Π΅ΡΡΠΎ Π΄Π° Π·Π°ΠΏΠΎΡΠ½Π΅ΠΌ ΡΠ΅Ρ ΡΠ΅ ΡΠ΅Π΄Π½ΠΎΡΡΠ°Π²Π½ΠΎ Π±ΠΈΠ»ΠΎ ΡΠ΅ΡΠΊΠΎ ΡΠ°Π·ΡΠΌΠ΅ΡΠΈ ΠΎΠ΄Π°ΠΊΠ»Π΅ Π΄Π° ΠΏΠΎΡΠ½Π΅ΠΌ. ΠΠΎΠΆΠ΄Π° ΡΡΠ΅ ΡΠ΅Π΄Π½ΠΎΠΌ Π΄Π°Π²Π½ΠΎ Π½Π° ΠΠ½ΡΠ΅ΡΠ½Π΅ΡΡ Π²ΠΈΠ΄Π΅Π»ΠΈ ΡΠ΅ΡΠΈ βΠΠ°ΡΠΊΠ° ΠΎ ΠΏΠΎΠ΄Π°ΡΠΈΠΌΠ°β ΠΈ Π·Π°ΠΊΡΡΡΠΈΠ»ΠΈ Π΄Π° ΡΡΠ΅ Π΄Π°Π»Π΅ΠΊΠΎ ΠΎΠ΄ ΠΎΠ²ΠΎΠ³Π°, Π° ΡΡΠ΄ΠΈ ΠΊΠΎΡΠΈ ΡΠΎ ΡΠ°Π΄Π΅ ΡΡ Π½Π΅Π³Π΄Π΅ ΡΠ°ΠΌΠΎ, Ρ Π΄ΡΡΠ³ΠΎΠΌ ΡΠ²Π΅ΡΡ. ΠΠ΅, ΠΎΠ½ΠΈ ΡΡ ΠΎΠ²Π΄Π΅. Π, ΠΌΠΎΠΆΠ΄Π°, Π·Π°Ρ
Π²Π°ΡΡΡΡΡΠΈ ΡΡΠ΄ΠΈΠΌΠ° ΠΈΠ· ΠΎΠ²Π΅ ΠΎΠ±Π»Π°ΡΡΠΈ, Π½Π° Π²Π°ΡΠ΅ΠΌ ΡΠ΅Π΅Π΄Ρ ΡΠ΅ ΠΏΠΎΡΠ°Π²ΠΈΠΎ ΡΠ»Π°Π½Π°ΠΊ. ΠΠΎΡΡΠΎΡΠΈ ΠΌΠ½ΠΎΠ³ΠΎ ΠΊΡΡΡΠ΅Π²Π° ΠΊΠΎΡΠΈ ΡΠ΅ Π²Π°ΠΌ ΠΏΠΎΠΌΠΎΡΠΈ Π΄Π° ΡΠ΅ Π½Π°Π²ΠΈΠΊΠ½Π΅ΡΠ΅ Π½Π° ΠΎΠ²Π°Ρ Π·Π°Π½Π°Ρ, Π°Π»ΠΈ ΠΎΠ²Π΄Π΅ ΡΡ Π²Π°ΠΌ ΠΏΠΎΠΌΠΎΡΠΈ Π΄Π° Π½Π°ΠΏΡΠ°Π²ΠΈΡΠ΅ ΠΏΡΠ²ΠΈ ΠΊΠΎΡΠ°ΠΊ.
ΠΠ°, ΡΠ΅ΡΠΈ Π»ΠΈ ΡΠΏΡΠ΅ΠΌΠ°Π½? ΠΠ΄ΠΌΠ°Ρ
Π΄Π° Π²Π°ΠΌ ΠΊΠ°ΠΆΠ΅ΠΌ Π΄Π° ΡΠ΅ΡΠ΅ ΠΌΠΎΡΠ°ΡΠΈ Π΄Π° Π·Π½Π°ΡΠ΅ ΠΠΈΡΡ
ΠΎΠ½ 3, ΠΏΠΎΡΡΠΎ ΡΡ ΡΠΎ ΠΎΠ²Π΄Π΅ ΠΊΠΎΡΠΈΡΡΠΈΡΠΈ. Π’Π°ΠΊΠΎΡΠ΅ Π²Π°ΠΌ ΡΠ°Π²Π΅ΡΡΡΠ΅ΠΌ Π΄Π° Π³Π° ΡΠ½Π°ΠΏΡΠ΅Π΄ ΠΈΠ½ΡΡΠ°Π»ΠΈΡΠ°ΡΠ΅ Π½Π° ΠΡΠΏΠΈΡΠ΅Ρ ΠΠΎΡΠ΅Π±ΠΎΠΎΠΊ ΠΈΠ»ΠΈ Π²ΠΈΠ΄ΠΈΡΠ΅ ΠΊΠ°ΠΊΠΎ Π΄Π° ΠΊΠΎΡΠΈΡΡΠΈΡΠ΅ Π³ΠΎΠΎΠ³Π»Π΅ ΡΠΎΠ»Π°Π±.
ΠΡΠ²ΠΈ ΠΊΠΎΡΠ°ΠΊ
ΠΠ°Π³Π³Π»Π΅ ΡΠ΅ Π²Π°Ρ Π·Π½Π°ΡΠ°ΡΠ°Π½ ΠΏΠΎΠΌΠΎΡΠ½ΠΈΠΊ Ρ ΠΎΠ²ΠΎΡ ΡΡΠ²Π°ΡΠΈ. Π£ ΠΏΡΠΈΠ½ΡΠΈΠΏΡ, ΠΌΠΎΠΆΠ΅ΡΠ΅ ΠΈ Π±Π΅Π· ΡΠΎΠ³Π°, Π°Π»ΠΈ ΠΎ ΡΠΎΠΌΠ΅ ΡΡ Π³ΠΎΠ²ΠΎΡΠΈΡΠΈ Ρ Π΄ΡΡΠ³ΠΎΠΌ ΡΠ»Π°Π½ΠΊΡ. ΠΠ²ΠΎ ΡΠ΅ ΠΏΠ»Π°ΡΡΠΎΡΠΌΠ° Π½Π° ΠΊΠΎΡΠΎΡ ΡΠ΅ ΠΎΠ΄ΡΠΆΠ°Π²Π°ΡΡ ΡΠ°ΠΊΠΌΠΈΡΠ΅ΡΠ° Ρ Π½Π°ΡΡΠΈ ΠΎ ΠΏΠΎΠ΄Π°ΡΠΈΠΌΠ°. Π£ ΡΠ²Π°ΠΊΠΎΠΌ ΡΠ°ΠΊΠ²ΠΎΠΌ ΡΠ°ΠΊΠΌΠΈΡΠ΅ΡΡ, Ρ ΡΠ°Π½ΠΈΠΌ ΡΠ°Π·Π°ΠΌΠ° ΡΡΠ΅ΡΠΈ ΡΠ΅ΡΠ΅ Π½Π΅ΡΠ΅Π°Π»Π½ΠΎ ΠΈΡΠΊΡΡΡΠ²ΠΎ Ρ ΡΠ΅ΡΠ°Π²Π°ΡΡ ΠΏΡΠΎΠ±Π»Π΅ΠΌΠ° ΡΠ°Π·Π½ΠΈΡ
Π²ΡΡΡΠ°, ΡΠ°Π·Π²ΠΎΡΠ½ΠΎ ΠΈΡΠΊΡΡΡΠ²ΠΎ ΠΈ ΠΈΡΠΊΡΡΡΠ²ΠΎ ΡΠ°Π΄Π° Ρ ΡΠΈΠΌΡ, ΡΡΠΎ ΡΠ΅ Π²Π°ΠΆΠ½ΠΎ Ρ Π½Π°ΡΠ΅ΠΌ Π²ΡΠ΅ΠΌΠ΅Π½Ρ.
ΠΠ΄Π°ΡΠ»Π΅ ΡΠ΅ΠΌΠΎ ΠΏΡΠ΅ΡΠ·Π΅ΡΠΈ Π½Π°Ρ Π·Π°Π΄Π°ΡΠ°ΠΊ. ΠΠΎΠ²Π΅ ΡΠ΅ "Π’ΠΈΡΠ°Π½ΠΈΠΊ". Π£ΡΠ»ΠΎΠ² ΡΠ΅ ΡΠ»Π΅Π΄Π΅ΡΠΈ: ΠΏΡΠ΅Π΄Π²ΠΈΠ΄Π΅ΡΠΈ Π΄Π° Π»ΠΈ ΡΠ΅ ΡΠ²Π°ΠΊΠ° ΠΏΠΎΡΠ΅Π΄ΠΈΠ½Π°ΡΠ½Π° ΠΎΡΠΎΠ±Π° ΠΏΡΠ΅ΠΆΠΈΠ²Π΅ΡΠΈ. Π£ΠΎΠΏΡΡΠ΅Π½ΠΎ Π³ΠΎΠ²ΠΎΡΠ΅ΡΠΈ, Π·Π°Π΄Π°ΡΠ°ΠΊ ΠΎΡΠΎΠ±Π΅ ΠΊΠΎΡΠ° ΡΠ΅ ΡΠΊΡΡΡΠ΅Π½Π° Ρ ΠΠ‘ ΡΠ΅ ΠΏΡΠΈΠΊΡΠΏΡΠ°ΡΠ΅ ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ°, ΡΠΈΡ ΠΎΠ²Π° ΠΎΠ±ΡΠ°Π΄Π°, ΠΎΠ±ΡΡΠ°Π²Π°ΡΠ΅ ΠΌΠΎΠ΄Π΅Π»Π°, ΠΏΡΠ΅Π΄Π²ΠΈΡΠ°ΡΠ΅ ΠΈ ΡΠ°ΠΊΠΎ Π΄Π°ΡΠ΅. Π£ ΠΊΠ°Π³Π³Π»Π΅-Ρ Π½Π°ΠΌ ΡΠ΅ Π΄ΠΎΠ·Π²ΠΎΡΠ΅Π½ΠΎ Π΄Π° ΠΏΡΠ΅ΡΠΊΠΎΡΠΈΠΌΠΎ ΡΠ°Π·Ρ ΠΏΡΠΈΠΊΡΠΏΡΠ°ΡΠ° ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ° - ΠΎΠ½ΠΈ ΡΡ ΠΏΡΠ΅Π΄ΡΡΠ°Π²ΡΠ΅Π½ΠΈ Π½Π° ΠΏΠ»Π°ΡΡΠΎΡΠΌΠΈ. ΠΠΎΡΠ°ΠΌΠΎ Π΄Π° ΠΈΡ ΠΏΡΠ΅ΡΠ·ΠΌΠ΅ΠΌΠΎ ΠΈ ΠΌΠΎΠΆΠ΅ΠΌΠΎ Π΄Π° ΠΏΠΎΡΠ½Π΅ΠΌΠΎ!
Π’ΠΎ ΠΌΠΎΠΆΠ΅ΡΠ΅ ΡΡΠΈΠ½ΠΈΡΠΈ Π½Π° ΡΠ»Π΅Π΄Π΅ΡΠΈ Π½Π°ΡΠΈΠ½:
ΠΊΠ°ΡΡΠΈΡΠ° ΠΠΎΠ΄Π°ΡΠΈ ΡΠ°Π΄ΡΠΆΠΈ Π΄Π°ΡΠΎΡΠ΅ΠΊΠ΅ ΠΊΠΎΡΠ΅ ΡΠ°Π΄ΡΠΆΠ΅ ΠΏΠΎΠ΄Π°ΡΠΊΠ΅
ΠΡΠ΅ΡΠ·Π΅Π»ΠΈ ΡΠΌΠΎ ΠΏΠΎΠ΄Π°ΡΠΊΠ΅, ΠΏΡΠΈΠΏΡΠ΅ΠΌΠΈΠ»ΠΈ Π½Π°ΡΠ΅ ΠΡΠΏΠΈΡΠ΅Ρ ΡΠ²Π΅ΡΠΊΠ΅ ΠΈ...
ΠΡΡΠ³ΠΈ ΠΊΠΎΡΠ°ΠΊ
ΠΠ°ΠΊΠΎ ΡΠ°Π΄Π° ΡΡΠΈΡΠ°Π²Π°ΠΌΠΎ ΠΎΠ²Π΅ ΠΏΠΎΠ΄Π°ΡΠΊΠ΅?
ΠΡΠ²ΠΎ, Ρ Π°ΡΠ΄Π΅ Π΄Π° ΡΠ²Π΅Π·Π΅ΠΌΠΎ ΠΏΠΎΡΡΠ΅Π±Π½Π΅ Π±ΠΈΠ±Π»ΠΈΠΎΡΠ΅ΠΊΠ΅:
import pandas as pd
import numpy as np
ΠΠ°Π½Π΄Π΅ ΡΠ΅ Π½Π°ΠΌ ΠΎΠΌΠΎΠ³ΡΡΠΈΡΠΈ Π΄Π° ΠΏΡΠ΅ΡΠ·ΠΌΠ΅ΠΌΠΎ .ΡΡΠ² Π΄Π°ΡΠΎΡΠ΅ΠΊΠ΅ Π·Π° Π΄Π°ΡΡ ΠΎΠ±ΡΠ°Π΄Ρ.
ΠΡΠΌΠΏΠΈ ΡΠ΅ ΠΏΠΎΡΡΠ΅Π±Π°Π½ Π΄Π° ΠΏΡΠ΅Π΄ΡΡΠ°Π²ΠΈ Π½Π°ΡΡ ΡΠ°Π±Π΅Π»Ρ ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ° ΠΊΠ°ΠΎ ΠΌΠ°ΡΡΠΈΡΡ ΡΠ° Π±ΡΠΎΡΠ΅Π²ΠΈΠΌΠ°.
Π₯Π°ΡΠ΄Π΅. Π£Π·ΠΌΠΈΠΌΠΎ Π΄Π°ΡΠΎΡΠ΅ΠΊΡ ΡΡΠ°ΠΈΠ½.ΡΡΠ² ΠΈ ΠΎΡΠΏΡΠ΅ΠΌΠΈΠΌΠΎ Π½Π°ΠΌ ΡΠ΅:
dataset = pd.read_csv('train.csv')
ΠΠΎΠ·Π²Π°ΡΠ΅ΠΌΠΎ ΡΠ΅ Π½Π° Π½Π°Ρ ΠΈΠ·Π±ΠΎΡ ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ° ΡΡΠ°ΠΈΠ½.ΡΡΠ² ΠΊΡΠΎΠ· ΠΏΡΠΎΠΌΠ΅Π½ΡΠΈΠ²Ρ ΡΠΊΡΠΏΠ° ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ°. ΠΠ° Π²ΠΈΠ΄ΠΈΠΌΠΎ ΡΡΠ° ΠΈΠΌΠ°:
dataset.head()
Π€ΡΠ½ΠΊΡΠΈΡΠ° Ρ
Π΅Π°Π΄() ΠΎΠΌΠΎΠ³ΡΡΠ°Π²Π° Π½Π°ΠΌ Π΄Π° ΠΏΠΎΠ³Π»Π΅Π΄Π°ΠΌΠΎ ΠΏΡΠ²ΠΈΡ
Π½Π΅ΠΊΠΎΠ»ΠΈΠΊΠΎ ΡΠ΅Π΄ΠΎΠ²Π° ΠΎΠΊΠ²ΠΈΡΠ° ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ°.
ΠΡΠ΅ΠΆΠΈΠ²Π΅Π»Π΅ ΠΊΠΎΠ»ΠΎΠ½Π΅ ΡΡ ΡΠΏΡΠ°Π²ΠΎ Π½Π°ΡΠΈ ΡΠ΅Π·ΡΠ»ΡΠ°ΡΠΈ, ΠΊΠΎΡΠΈ ΡΡ ΠΏΠΎΠ·Π½Π°ΡΠΈ Ρ ΠΎΠ²ΠΎΠΌ ΠΎΠΊΠ²ΠΈΡΡ ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ°. ΠΠ° ΠΏΠΈΡΠ°ΡΠ΅ Π·Π°Π΄Π°ΡΠΊΠ°, ΡΡΠ΅Π±Π° Π΄Π° ΠΏΡΠ΅Π΄Π²ΠΈΠ΄ΠΈΠΌΠΎ ΠΊΠΎΠ»ΠΎΠ½Ρ ΠΡΠ΅ΠΆΠΈΠ²Π΅Π»ΠΈ Π·Π° ΡΠ΅ΡΡ.ΡΡΠ² ΠΏΠΎΠ΄Π°ΡΠΊΠ΅. ΠΠ²ΠΈ ΠΏΠΎΠ΄Π°ΡΠΈ ΡΡΠ²Π°ΡΡ ΠΈΠ½ΡΠΎΡΠΌΠ°ΡΠΈΡΠ΅ ΠΎ Π΄ΡΡΠ³ΠΈΠΌ ΠΏΡΡΠ½ΠΈΡΠΈΠΌΠ° Π’ΠΈΡΠ°Π½ΠΈΠΊΠ°, Π·Π° ΠΊΠΎΡΠ΅ ΠΌΠΈ, ΡΠ΅ΡΠ°Π²Π°ΡΡΡΠΈ ΠΏΡΠΎΠ±Π»Π΅ΠΌ, Π½Π΅ Π·Π½Π°ΠΌΠΎ ΠΈΡΡ ΠΎΠ΄.
ΠΠ°ΠΊΠ»Π΅, ΠΏΠΎΠ΄Π΅Π»ΠΈΠΌΠΎ Π½Π°ΡΡ ΡΠ°Π±Π΅Π»Ρ Π½Π° Π·Π°Π²ΠΈΡΠ½Π΅ ΠΈ Π½Π΅Π·Π°Π²ΠΈΡΠ½Π΅ ΠΏΠΎΠ΄Π°ΡΠΊΠ΅. ΠΠ²Π΄Π΅ ΡΠ΅ ΡΠ²Π΅ ΡΠ΅Π΄Π½ΠΎΡΡΠ°Π²Π½ΠΎ. ΠΠ°Π²ΠΈΡΠ½ΠΈ ΠΏΠΎΠ΄Π°ΡΠΈ ΡΡ ΠΎΠ½ΠΈ ΠΏΠΎΠ΄Π°ΡΠΈ ΠΊΠΎΡΠΈ Π·Π°Π²ΠΈΡΠ΅ ΠΎΠ΄ Π½Π΅Π·Π°Π²ΠΈΡΠ½ΠΈΡ ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ° ΠΊΠΎΡΠΈ ΡΠ΅ Π½Π°Π»Π°Π·Π΅ Ρ ΠΈΡΡ ΠΎΠ΄ΠΈΠΌΠ°. ΠΠ΅Π·Π°Π²ΠΈΡΠ½ΠΈ ΠΏΠΎΠ΄Π°ΡΠΈ ΡΡ ΠΎΠ½ΠΈ ΠΏΠΎΠ΄Π°ΡΠΈ ΠΊΠΎΡΠΈ ΡΡΠΈΡΡ Π½Π° ΠΈΡΡ ΠΎΠ΄.
ΠΠ° ΠΏΡΠΈΠΌΠ΅Ρ, ΠΈΠΌΠ°ΠΌΠΎ ΡΠ»Π΅Π΄Π΅ΡΠΈ ΡΠΊΡΠΏ ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ°:
βΠΠΎΠ²Π° ΡΠ΅ ΠΏΡΠ΅Π΄Π°Π²Π°ΠΎ ΠΈΠ½ΡΠΎΡΠΌΠ°ΡΠΈΠΊΡ - Π½Π΅.
ΠΠΎΠ²Π° ΡΠ΅ Π΄ΠΎΠ±ΠΈΠΎ 2 ΠΈΠ· ΠΈΠ½ΡΠΎΡΠΌΠ°ΡΠΈΠΊΠ΅.β
ΠΡΠ΅Π½Π° ΠΈΠ· ΠΈΠ½ΡΠΎΡΠΌΠ°ΡΠΈΠΊΠ΅ Π·Π°Π²ΠΈΡΠΈ ΠΎΠ΄ ΠΎΠ΄Π³ΠΎΠ²ΠΎΡΠ° Π½Π° ΠΏΠΈΡΠ°ΡΠ΅: Π΄Π° Π»ΠΈ ΡΠ΅ ΠΠΎΠ²Π° ΡΡΡΠ΄ΠΈΡΠ°ΠΎ ΠΈΠ½ΡΠΎΡΠΌΠ°ΡΠΈΠΊΡ? ΠΠ΅ ΡΠ°ΡΠ½ΠΎ? ΠΠ΄Π΅ΠΌΠΎ Π΄Π°ΡΠ΅, Π²Π΅Ρ ΡΠΌΠΎ Π±Π»ΠΈΠΆΠ΅ ΡΠΈΡΡ!
Π’ΡΠ°Π΄ΠΈΡΠΈΠΎΠ½Π°Π»Π½Π° Π²Π°ΡΠΈΡΠ°Π±Π»Π° Π·Π° Π½Π΅Π·Π°Π²ΠΈΡΠ½Π΅ ΠΏΠΎΠ΄Π°ΡΠΊΠ΅ ΡΠ΅ ΠΡ. ΠΠ° Π·Π°Π²ΠΈΡΠ½Π΅ ΠΏΠΎΠ΄Π°ΡΠΊΠ΅, ΠΈ.
Π Π°Π΄ΠΈΠΌΠΎ ΡΠ»Π΅Π΄Π΅ΡΠ΅:
X = dataset.iloc[ : , 2 : ]
y = dataset.iloc[ : , 1 : 2 ]
Π¨ΡΠ° ΡΠ΅ ΡΠΎ? Π‘Π° ΡΡΠ½ΠΊΡΠΈΡΠΎΠΌ ΠΈΠ»ΠΎΡ[:, 2: ] ΠΊΠ°ΠΆΠ΅ΠΌΠΎ ΠΠΈΡΡ ΠΎΠ½-Ρ: ΠΠ΅Π»ΠΈΠΌ Π΄Π° Π²ΠΈΠ΄ΠΈΠΌ Ρ ΠΏΡΠΎΠΌΠ΅Π½ΡΠΈΠ²ΠΎΡ ΠΡ ΠΏΠΎΠ΄Π°ΡΠΊΠ΅ ΠΊΠΎΡΠΈ ΠΏΠΎΡΠΈΡΡ ΠΎΠ΄ Π΄ΡΡΠ³Π΅ ΠΊΠΎΠ»ΠΎΠ½Π΅ (ΡΠΊΡΡΡΡΡΡΡΠΈ ΠΈ ΠΏΠΎΠ΄ ΡΡΠ»ΠΎΠ²ΠΎΠΌ Π΄Π° Π±ΡΠΎΡΠ°ΡΠ΅ ΠΏΠΎΡΠΈΡΠ΅ ΠΎΠ΄ Π½ΡΠ»Π΅). Π£ Π΄ΡΡΠ³ΠΎΠΌ ΡΠ΅Π΄Ρ ΠΊΠ°ΠΆΠ΅ΠΌΠΎ Π΄Π° ΠΆΠ΅Π»ΠΈΠΌΠΎ Π΄Π° Π²ΠΈΠ΄ΠΈΠΌΠΎ ΠΏΠΎΠ΄Π°ΡΠΊΠ΅ Ρ ΠΏΡΠ²ΠΎΡ ΠΊΠΎΠ»ΠΎΠ½ΠΈ.
[ Π°:Π±, Ρ:Π΄ ] ΡΠ΅ ΠΊΠΎΠ½ΡΡΡΡΠΊΡΠΈΡΠ° ΠΎΠ½ΠΎΠ³Π° ΡΡΠΎ ΠΊΠΎΡΠΈΡΡΠΈΠΌΠΎ Ρ Π·Π°Π³ΡΠ°Π΄Π°ΠΌΠ°. ΠΠΊΠΎ Π½Π΅ Π½Π°Π²Π΅Π΄Π΅ΡΠ΅ Π½ΠΈΡΠ΅Π΄Π½Ρ ΠΏΡΠΎΠΌΠ΅Π½ΡΠΈΠ²Ρ, ΠΎΠ½Π΅ ΡΠ΅ Π±ΠΈΡΠΈ ΡΠ°ΡΡΠ²Π°Π½Π΅ ΠΊΠ°ΠΎ ΠΏΠΎΠ΄ΡΠ°Π·ΡΠΌΠ΅Π²Π°Π½Π΅. Π’ΠΎ ΡΠ΅ΡΡ, ΠΌΠΎΠΆΠ΅ΠΌΠΎ ΠΎΠ΄ΡΠ΅Π΄ΠΈΡΠΈ [:,: Π΄] ΠΈ ΡΠ°Π΄Π° ΡΠ΅ΠΌΠΎ Π΄ΠΎΠ±ΠΈΡΠΈ ΡΠ²Π΅ ΠΊΠΎΠ»ΠΎΠ½Π΅ Ρ ΠΎΠΊΠ²ΠΈΡΡ ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ°, ΠΎΡΠΈΠΌ ΠΎΠ½ΠΈΡ ΠΊΠΎΡΠ΅ ΠΈΠ΄Ρ ΠΎΠ΄ Π±ΡΠΎΡΠ° Π΄ ΠΏΠ° Π½Π°Π΄Π°ΡΠ΅. ΠΡΠΎΠΌΠ΅Π½ΡΠΈΠ²Π΅ Π° ΠΈ Π± Π΄Π΅ΡΠΈΠ½ΠΈΡΡ Π½ΠΈΠ·ΠΎΠ²Π΅, Π°Π»ΠΈ ΡΡ Π½Π°ΠΌ ΡΠ²Π΅ ΠΏΠΎΡΡΠ΅Π±Π½Π΅, ΠΏΠ° ΠΎΠ²ΠΎ ΠΎΡΡΠ°Π²ΡΠ°ΠΌΠΎ ΠΊΠ°ΠΎ ΠΏΠΎΠ΄ΡΠ°Π·ΡΠΌΠ΅Π²Π°Π½ΠΎ.ΠΠ° Π²ΠΈΠ΄ΠΈΠΌΠΎ ΡΡΠ° ΠΈΠΌΠ°ΠΌΠΎ:
X.head()
y.head()
ΠΠ° Π±ΠΈΡΠΌΠΎ ΠΏΠΎΡΠ΅Π΄Π½ΠΎΡΡΠ°Π²ΠΈΠ»ΠΈ ΠΎΠ²Ρ ΠΌΠ°Π»Ρ Π»Π΅ΠΊΡΠΈΡΡ, ΡΠΊΠ»ΠΎΠ½ΠΈΡΠ΅ΠΌΠΎ ΠΊΠΎΠ»ΠΎΠ½Π΅ ΠΊΠΎΡΠ΅ Π·Π°Ρ
ΡΠ΅Π²Π°ΡΡ ΠΏΠΎΡΠ΅Π±Π½Ρ ΠΏΠ°ΠΆΡΡ ΠΈΠ»ΠΈ ΡΠΎΠΏΡΡΠ΅ Π½Π΅ ΡΡΠΈΡΡ Π½Π° ΠΏΡΠ΅ΠΆΠΈΠ²ΡΠ°Π²Π°ΡΠ΅. Π‘Π°Π΄ΡΠΆΠ΅ ΠΏΠΎΠ΄Π°ΡΠΊΠ΅ ΡΠΈΠΏΠ° ΡΡΡ.
count = ['Name', 'Ticket', 'Cabin', 'Embarked']
X.drop(count, inplace=True, axis=1)
Π‘ΡΠΏΠ΅Ρ! ΠΡΠ΅ΡΠΈΠΌΠΎ Π½Π° ΡΠ»Π΅Π΄Π΅ΡΠΈ ΠΊΠΎΡΠ°ΠΊ.
ΠΠΎΡΠ°ΠΊ ΡΡΠΈ
ΠΠ²Π΄Π΅ ΡΡΠ΅Π±Π° Π΄Π° ΠΊΠΎΠ΄ΠΈΡΠ°ΠΌΠΎ Π½Π°ΡΠ΅ ΠΏΠΎΠ΄Π°ΡΠΊΠ΅ ΠΊΠ°ΠΊΠΎ Π±ΠΈ ΠΌΠ°ΡΠΈΠ½Π° Π±ΠΎΡΠ΅ ΡΠ°Π·ΡΠΌΠ΅Π»Π° ΠΊΠ°ΠΊΠΎ ΠΎΠ²ΠΈ ΠΏΠΎΠ΄Π°ΡΠΈ ΡΡΠΈΡΡ Π½Π° ΡΠ΅Π·ΡΠ»ΡΠ°Ρ. ΠΠ»ΠΈ Π½Π΅ΡΠ΅ΠΌΠΎ ΠΊΠΎΠ΄ΠΈΡΠ°ΡΠΈ ΡΠ²Π΅, Π²Π΅Ρ ΡΠ°ΠΌΠΎ ΡΡΡ ΠΏΠΎΠ΄Π°ΡΠΊΠ΅ ΠΊΠΎΡΠ΅ ΡΠΌΠΎ ΠΎΡΡΠ°Π²ΠΈΠ»ΠΈ. ΠΠΎΠ»ΠΎΠ½Π° βΠ‘Π΅ΠΊΡβ. ΠΠ°ΠΊΠΎ ΠΆΠ΅Π»ΠΈΠΌΠΎ Π΄Π° ΠΊΠΎΠ΄ΠΈΡΠ°ΠΌΠΎ? Π₯Π°ΡΠ΄Π΅ Π΄Π° ΠΏΡΠ΅Π΄ΡΡΠ°Π²ΠΈΠΌΠΎ ΠΏΠΎΠ΄Π°ΡΠΊΠ΅ ΠΎ ΠΏΠΎΠ»Ρ ΠΎΡΠΎΠ±Π΅ ΠΊΠ°ΠΎ Π²Π΅ΠΊΡΠΎΡ: 10 - ΠΌΡΡΠΊΠΎ, 01 - ΠΆΠ΅Π½ΡΠΊΠΎ.
ΠΡΠ²ΠΎ, Ρ Π°ΡΠ΄Π΅ Π΄Π° ΠΊΠΎΠ½Π²Π΅ΡΡΡΡΠ΅ΠΌΠΎ Π½Π°ΡΠ΅ ΡΠ°Π±Π΅Π»Π΅ Ρ ΠΡΠΌΠΠΈ ΠΌΠ°ΡΡΠΈΡΡ:
X = np.array(X)
y = np.array(y)
Π ΡΠ°Π΄Π° ΠΏΠΎΠ³Π»Π΅Π΄Π°ΡΠΌΠΎ:
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder
ct = ColumnTransformer(transformers=[('encoder', OneHotEncoder(), [1])],
remainder='passthrough')
X = np.array(ct.fit_transform(X))
Π‘ΠΊΠ»Π΅Π°ΡΠ½ Π±ΠΈΠ±Π»ΠΈΠΎΡΠ΅ΠΊΠ° ΡΠ΅ ΡΠ°ΠΊΠΎ ΠΊΡΠ» Π±ΠΈΠ±Π»ΠΈΠΎΡΠ΅ΠΊΠ° ΠΊΠΎΡΠ° Π½Π°ΠΌ ΠΎΠΌΠΎΠ³ΡΡΠ°Π²Π° Π΄Π° ΠΎΠ±Π°Π²ΠΈΠΌΠΎ ΠΊΠΎΠΌΠΏΠ»Π΅ΡΠ°Π½ ΠΏΠΎΡΠ°ΠΎ Ρ Π½Π°ΡΡΠΈ ΠΎ ΠΏΠΎΠ΄Π°ΡΠΈΠΌΠ°. Π‘Π°Π΄ΡΠΆΠΈ Π²Π΅Π»ΠΈΠΊΠΈ Π±ΡΠΎΡ Π·Π°Π½ΠΈΠΌΡΠΈΠ²ΠΈΡ ΠΌΠΎΠ΄Π΅Π»Π° ΠΌΠ°ΡΠΈΠ½ΡΠΊΠΎΠ³ ΡΡΠ΅ΡΠ° ΠΈ ΡΠ°ΠΊΠΎΡΠ΅ Π½Π°ΠΌ ΠΎΠΌΠΎΠ³ΡΡΠ°Π²Π° ΠΏΡΠΈΠΏΡΠ΅ΠΌΡ ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ°.
ΠΠ½Π΅Π₯ΠΎΡΠΠ½ΡΠΎΠ΄Π΅Ρ ΡΠ΅ Π½Π°ΠΌ ΠΎΠΌΠΎΠ³ΡΡΠΈΡΠΈ Π΄Π° ΠΊΠΎΠ΄ΠΈΡΠ°ΠΌΠΎ ΠΏΠΎΠ» ΠΎΡΠΎΠ±Π΅ Ρ ΡΠΎΡ ΡΠ΅ΠΏΡΠ΅Π·Π΅Π½ΡΠ°ΡΠΈΡΠΈ, ΠΊΠ°ΠΎ ΡΡΠΎ ΡΠΌΠΎ ΠΎΠΏΠΈΡΠ°Π»ΠΈ. Π‘ΡΠ²ΠΎΡΠΈΡΠ΅ ΡΠ΅ 2 ΡΠ°Π·ΡΠ΅Π΄Π°: ΠΌΡΡΠΊΠΎ, ΠΆΠ΅Π½ΡΠΊΠΎ. ΠΠΊΠΎ ΡΠ΅ ΠΎΡΠΎΠ±Π° ΠΌΡΡΠΊΠ°ΡΠ°Ρ, ΠΎΠ½Π΄Π° ΡΠ΅ 1 Π±ΠΈΡΠΈ Π½Π°ΠΏΠΈΡΠ°Π½ΠΎ Ρ ΠΊΠΎΠ»ΠΎΠ½ΠΈ βΠΌΡΡΠΊΠΎβ, Π° 0 Ρ ΠΊΠΎΠ»ΠΎΠ½ΠΈ βΠΆΠ΅Π½ΡΠΊΠΎβ.
ΠΠΎΡΠ»Π΅ ΠΠ½Π΅Π₯ΠΎΡΠΠ½ΡΠΎΠ΄Π΅Ρ() ΠΏΠΎΡΡΠΎΡΠΈ [1] - ΡΠΎ Π·Π½Π°ΡΠΈ Π΄Π° ΠΆΠ΅Π»ΠΈΠΌΠΎ Π΄Π° ΠΊΠΎΠ΄ΠΈΡΠ°ΠΌΠΎ ΠΊΠΎΠ»ΠΎΠ½Ρ Π±ΡΠΎΡ 1 (ΡΠ°ΡΡΠ½Π°ΡΡΡΠΈ ΠΎΠ΄ Π½ΡΠ»Π΅).
Π‘ΡΠΏΠ΅Ρ. Π₯Π°ΡΠ΄Π΅ΠΌΠΎ ΡΠΎΡ Π΄Π°ΡΠ΅!
ΠΠΎ ΠΏΡΠ°Π²ΠΈΠ»Ρ, ΡΠΎ ΡΠ΅ Π΄Π΅ΡΠ°Π²Π° Π΄Π° Π½Π΅ΠΊΠΈ ΠΏΠΎΠ΄Π°ΡΠΈ ΠΎΡΡΠ°Π½Ρ ΠΏΡΠ°Π·Π½ΠΈ (ΡΠΎ ΡΠ΅ΡΡ, ΠΠ°Π - Π½Π΅ Π±ΡΠΎΡ). ΠΠ° ΠΏΡΠΈΠΌΠ΅Ρ, ΠΏΠΎΡΡΠΎΡΠ΅ ΠΈΠ½ΡΠΎΡΠΌΠ°ΡΠΈΡΠ΅ ΠΎ ΠΎΡΠΎΠ±ΠΈ: ΡΠ΅Π³ΠΎΠ²ΠΎ ΠΈΠΌΠ΅, ΠΏΠΎΠ». ΠΠ»ΠΈ Π½Π΅ΠΌΠ° ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ° ΠΎ ΡΠ΅Π³ΠΎΠ²ΠΈΠΌ Π³ΠΎΠ΄ΠΈΠ½Π°ΠΌΠ°. Π£ ΠΎΠ²ΠΎΠΌ ΡΠ»ΡΡΠ°ΡΡ ΠΏΡΠΈΠΌΠ΅Π½ΠΈΡΠ΅ΠΌΠΎ ΡΠ»Π΅Π΄Π΅ΡΠΈ ΠΌΠ΅ΡΠΎΠ΄: Π½Π°ΡΠΈ ΡΠ΅ΠΌΠΎ Π°ΡΠΈΡΠΌΠ΅ΡΠΈΡΠΊΡ ΡΡΠ΅Π΄ΠΈΠ½Ρ Π½Π°Π΄ ΡΠ²ΠΈΠΌ ΠΊΠΎΠ»ΠΎΠ½Π°ΠΌΠ° ΠΈ, Π°ΠΊΠΎ Π½Π΅ΠΊΠΈ ΠΏΠΎΠ΄Π°ΡΠΈ Π½Π΅Π΄ΠΎΡΡΠ°ΡΡ Ρ ΠΊΠΎΠ»ΠΎΠ½ΠΈ, ΠΎΠ½Π΄Π° ΡΠ΅ΠΌΠΎ ΠΏΡΠ°Π·Π½ΠΈΠ½Ρ ΠΏΠΎΠΏΡΠ½ΠΈΡΠΈ Π°ΡΠΈΡΠΌΠ΅ΡΠΈΡΠΊΠΎΠΌ ΡΡΠ΅Π΄ΠΈΠ½ΠΎΠΌ.
from sklearn.impute import SimpleImputer
imputer = SimpleImputer(missing_values=np.nan, strategy='mean')
imputer.fit(X)
X = imputer.transform(X)
Π‘Π°Π΄Π° ΡΠ·ΠΌΠΈΠΌΠΎ Ρ ΠΎΠ±Π·ΠΈΡ Π΄Π° ΡΠ΅ ΡΠΈΡΡΠ°ΡΠΈΡΠ΅ Π΄Π΅ΡΠ°Π²Π°ΡΡ ΠΊΠ°Π΄Π° ΡΡ ΠΏΠΎΠ΄Π°ΡΠΈ Π²Π΅ΠΎΠΌΠ° Π²Π΅Π»ΠΈΠΊΠΈ. ΠΠ΅ΠΊΠΈ ΠΏΠΎΠ΄Π°ΡΠΈ ΡΡ Ρ ΠΈΠ½ΡΠ΅ΡΠ²Π°Π»Ρ [0:1], Π΄ΠΎΠΊ Π½Π΅ΠΊΠΈ ΠΌΠΎΠ³Ρ ΠΏΡΠ΅Π»Π°Π·ΠΈΡΠΈ ΡΡΠΎΡΠΈΠ½Π΅ ΠΈ Ρ ΠΈΡΠ°Π΄Π΅. ΠΠ° Π±ΠΈΡΠΌΠΎ Π΅Π»ΠΈΠΌΠΈΠ½ΠΈΡΠ°Π»ΠΈ ΡΠ°ΠΊΠ²ΠΎ ΡΠ°ΡΠΈΠΏΠ°ΡΠ΅ ΠΈ Π΄Π° Π±ΠΈΡΠΌΠΎ ΡΠ°ΡΡΠ½Π°Ρ ΡΡΠΈΠ½ΠΈΠ»ΠΈ ΠΏΡΠ΅ΡΠΈΠ·Π½ΠΈΡΠΈΠΌ Ρ ΡΠ²ΠΎΡΠΈΠΌ ΠΏΡΠΎΡΠ°ΡΡΠ½ΠΈΠΌΠ°, ΡΠΊΠ΅Π½ΠΈΡΠ°ΡΠ΅ΠΌΠΎ ΠΏΠΎΠ΄Π°ΡΠΊΠ΅ ΠΈ ΡΠΊΠ°Π»ΠΈΡΠ°ΡΠΈ ΠΈΡ . ΠΠ΅ΠΊΠ° ΡΠ²ΠΈ Π±ΡΠΎΡΠ΅Π²ΠΈ Π½Π΅ ΠΏΡΠ΅Π»Π°Π·Π΅ ΡΡΠΈ. ΠΠ° Π±ΠΈΡΠΌΠΎ ΡΠΎ ΡΡΠ°Π΄ΠΈΠ»ΠΈ, ΠΊΠΎΡΠΈΡΡΠΈΡΠ΅ΠΌΠΎ ΡΡΠ½ΠΊΡΠΈΡΡ Π‘ΡΠ°Π½Π΄Π°ΡΠ΄Π‘ΡΠ°Π»Π΅Ρ.
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X[:, 2:] = sc.fit_transform(X[:, 2:])
Π‘Π°Π΄Π° Π½Π°ΡΠΈ ΠΏΠΎΠ΄Π°ΡΠΈ ΠΈΠ·Π³Π»Π΅Π΄Π°ΡΡ ΠΎΠ²Π°ΠΊΠΎ:
ΠΠ»Π°ΡΠ°. ΠΠ΅Ρ ΡΠΌΠΎ Π±Π»ΠΈΠ·Ρ ΡΠΈΡΠ°!
Π§Π΅ΡΠ²ΡΡΠΈ ΠΊΠΎΡΠ°ΠΊ
Π₯Π°ΡΠ΄Π΅ Π΄Π° ΠΎΠ±ΡΡΠΈΠΌΠΎ Π½Π°Ρ ΠΏΡΠ²ΠΈ ΠΌΠΎΠ΄Π΅Π»! ΠΠ· ΡΠΊΠ»Π΅Π°ΡΠ½ Π±ΠΈΠ±Π»ΠΈΠΎΡΠ΅ΠΊΠ΅ ΠΌΠΎΠΆΠ΅ΠΌΠΎ ΠΏΡΠΎΠ½Π°ΡΠΈ ΠΎΠ³ΡΠΎΠΌΠ°Π½ Π±ΡΠΎΡ Π·Π°Π½ΠΈΠΌΡΠΈΠ²ΠΈΡ ΡΡΠ²Π°ΡΠΈ. ΠΠ° ΠΎΠ²Π°Ρ ΠΏΡΠΎΠ±Π»Π΅ΠΌ ΡΠ°ΠΌ ΠΏΡΠΈΠΌΠ΅Π½ΠΈΠΎ ΠΌΠΎΠ΄Π΅Π» ΠΡΠ°Π΄ΠΈΠ΅Π½Ρ ΠΠΎΠΎΡΡΠΈΠ½Π³ Π¦Π»Π°ΡΡΠΈΡΠΈΠ΅Ρ. ΠΠΎΡΠΈΡΡΠΈΠΌΠΎ Π ΠΊΠ»Π°ΡΠΈΡΠΈΠΊΠ°ΡΠΎΡ ΡΠ΅Ρ ΡΠ΅ Π½Π°Ρ Π·Π°Π΄Π°ΡΠ°ΠΊ Π·Π°Π΄Π°ΡΠ°ΠΊ ΠΊΠ»Π°ΡΠΈΡΠΈΠΊΠ°ΡΠΈΡΠ΅. ΠΡΠΎΠ³Π½ΠΎΠ·Ρ ΡΡΠ΅Π±Π° Π΄ΠΎΠ΄Π΅Π»ΠΈΡΠΈ 1 (ΠΏΡΠ΅ΠΆΠΈΠ²Π΅ΠΎ) ΠΈΠ»ΠΈ 0 (Π½ΠΈΡΠ΅ ΠΏΡΠ΅ΠΆΠΈΠ²Π΅ΠΎ).
from sklearn.ensemble import GradientBoostingClassifier
gbc = GradientBoostingClassifier(learning_rate=0.5, max_depth=5, n_estimators=150)
gbc.fit(X, y)
Π€ΡΠ½ΠΊΡΠΈΡΠ° ΡΠΊΠ»Π°ΠΏΠ°ΡΠ° Π³ΠΎΠ²ΠΎΡΠΈ ΠΠ°ΡΡΠΎΠ½Ρ: ΠΠ΅ΠΊΠ° ΠΌΠΎΠ΄Π΅Π» ΡΡΠ°ΠΆΠΈ Π·Π°Π²ΠΈΡΠ½ΠΎΡΡΠΈ ΠΈΠ·ΠΌΠ΅ΡΡ ΠΡ ΠΈ ΠΈ.
ΠΠ°ΡΠ΅ ΠΎΠ΄ ΡΠ΅ΠΊΡΠ½Π΄Π΅ ΠΈ ΠΌΠΎΠ΄Π΅Π» ΡΠ΅ ΡΠΏΡΠ΅ΠΌΠ°Π½.
ΠΠ°ΠΊΠΎ Π³Π° ΠΏΡΠΈΠΌΠ΅Π½ΠΈΡΠΈ? ΠΠΈΠ΄Π΅ΡΠ΅ΠΌΠΎ ΡΠ°Π΄!
ΠΠΎΡΠ°ΠΊ ΠΏΠ΅ΡΠΈ. ΠΠ°ΠΊΡΡΡΠ°ΠΊ
Π‘Π°Π΄Π° ΡΡΠ΅Π±Π° Π΄Π° ΡΡΠΈΡΠ°ΠΌΠΎ ΡΠ°Π±Π΅Π»Ρ ΡΠ° Π½Π°ΡΠΈΠΌ ΡΠ΅ΡΡ ΠΏΠΎΠ΄Π°ΡΠΈΠΌΠ° Π·Π° ΠΊΠΎΡΠ΅ ΡΡΠ΅Π±Π° Π΄Π° Π½Π°ΠΏΡΠ°Π²ΠΈΠΌΠΎ ΠΏΡΠΎΠ³Π½ΠΎΠ·Ρ. Π‘Π° ΠΎΠ²ΠΎΠΌ ΡΠ°Π±Π΅Π»ΠΎΠΌ ΡΡΠ°Π΄ΠΈΡΠ΅ΠΌΠΎ ΡΠ²Π΅ ΠΈΡΡΠ΅ ΡΠ°Π΄ΡΠ΅ ΠΊΠΎΡΠ΅ ΡΠΌΠΎ ΡΡΠ°Π΄ΠΈΠ»ΠΈ Π·Π° ΠΡ.
X_test = pd.read_csv('test.csv', index_col=0)
count = ['Name', 'Ticket', 'Cabin', 'Embarked']
X_test.drop(count, inplace=True, axis=1)
X_test = np.array(X_test)
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder
ct = ColumnTransformer(transformers=[('encoder', OneHotEncoder(), [1])],
remainder='passthrough')
X_test = np.array(ct.fit_transform(X_test))
from sklearn.impute import SimpleImputer
imputer = SimpleImputer(missing_values=np.nan, strategy='mean')
imputer.fit(X_test)
X_test = imputer.transform(X_test)
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_test[:, 2:] = sc.fit_transform(X_test[:, 2:])
Π₯Π°ΡΠ΄Π΅ Π΄Π° ΡΠ°Π΄Π° ΠΏΡΠΈΠΌΠ΅Π½ΠΈΠΌΠΎ Π½Π°Ρ ΠΌΠΎΠ΄Π΅Π»!
gbc_predict = gbc.predict(X_test)
Π‘Π²Π΅. ΠΠ°ΠΏΡΠ°Π²ΠΈΠ»ΠΈ ΡΠΌΠΎ ΠΏΡΠΎΠ³Π½ΠΎΠ·Ρ. Π‘Π°Π΄Π° ΡΠΎ ΡΡΠ΅Π±Π° ΡΠ½ΠΈΠΌΠΈΡΠΈ Ρ ΡΡΠ² ΠΈ ΠΏΠΎΡΠ»Π°ΡΠΈ Π½Π° ΡΠ°ΡΡ.
np.savetxt('my_gbc_predict.csv', gbc_predict, delimiter=",", header = 'Survived')
Π‘ΠΏΡΠ΅ΠΌΠ°Π½. ΠΠΎΠ±ΠΈΠ»ΠΈ ΡΠΌΠΎ ΡΠ°ΡΠ» ΠΊΠΎΡΠΈ ΡΠ°Π΄ΡΠΆΠΈ ΠΏΡΠ΅Π΄Π²ΠΈΡΠ°ΡΠ° Π·Π° ΡΠ²Π°ΠΊΠΎΠ³ ΠΏΡΡΠ½ΠΈΠΊΠ°. ΠΡΡΠ°ΡΠ΅ ΡΠ°ΠΌΠΎ Π΄Π° ΠΎΠ²Π° ΡΠ΅ΡΠ΅ΡΠ° ΠΏΠΎΡΡΠ°Π²ΠΈΡΠ΅ Π½Π° Π²Π΅Π± Π»ΠΎΠΊΠ°ΡΠΈΡΡ ΠΈ Π΄ΠΎΠ±ΠΈΡΠ΅ΡΠ΅ ΠΏΡΠΎΡΠ΅Π½Ρ ΠΏΡΠΎΠ³Π½ΠΎΠ·Π΅. ΠΠ²Π°ΠΊΠ²ΠΎ ΠΏΡΠΈΠΌΠΈΡΠΈΠ²Π½ΠΎ ΡΠ΅ΡΠ΅ΡΠ΅ Π΄Π°ΡΠ΅ Π½Π΅ ΡΠ°ΠΌΠΎ 74% ΡΠ°ΡΠ½ΠΈΡ
ΠΎΠ΄Π³ΠΎΠ²ΠΎΡΠ° Ρ ΡΠ°Π²Π½ΠΎΡΡΠΈ, Π²Π΅Ρ ΠΈ Π½Π΅ΠΊΠΈ ΠΏΠΎΠ΄ΡΡΠΈΡΠ°Ρ Ρ ΠΠ°ΡΠ° Π‘ΡΠΈΠ΅Π½ΡΠ΅. ΠΠ°ΡΡΠ°Π΄ΠΎΠ·Π½Π°Π»ΠΈΡΠΈ ΠΌΠΎΠ³Ρ Ρ ΡΠ²Π°ΠΊΠΎΠΌ ΡΡΠ΅Π½ΡΡΠΊΡ Π΄Π° ΠΌΠΈ ΠΏΠΈΡΡ Ρ ΠΏΡΠΈΠ²Π°ΡΠ½Π΅ ΠΏΠΎΡΡΠΊΠ΅ ΠΈ ΠΏΠΎΡΡΠ°Π²ΡΠ°ΡΡ ΠΏΠΈΡΠ°ΡΠ΅. Π₯Π²Π°Π»Π° ΡΠ²ΠΈΠΌΠ°!
ΠΠ·Π²ΠΎΡ: Π²Π²Π².Ρ
Π°Π±Ρ.ΡΠΎΠΌ