ИН @ai_in_progress
Showing posts older than #143 · Back to latest
from sklearn.linear_model import LinearRegression
# Данные: площадь квартиры (X) и цена (y)
X = [[50], [70], [90]] # м²
y = [5_000_000, 6_000_000, 7_000_000] # ₽
# Обучаем модель
model = LinearRegression()
model.fit(X, y)
# Предсказываем цену для 80 м²
print(model.predict([[80]])) # Выведет ≈6 500 000 ₽
search = RandomizedSearchCV(
estimator=RandomForestClassifier(random_state=42), # 1. Какая модель обучается?
param_distributions=param_dist, # 2. Какие гиперпараметры перебирать?
n_iter=50, # 3. Сколько комбинаций проверить?
cv=5, # 4. Как проверять качество?
n_jobs=-1 # 5. Как использовать ресурсы?
)
# Пример использования результатов
best_params = search.best_params_
final_model = RandomForestClassifier(**best_params, random_state=42)
final_model.fit(X_train, y_train)
import pandas as pd
df = pd.read_csv('vehicles_dataset_prepared.csv')
df_prepared = df.copy()
x = df_prepared.drop(['price_category'], axis=1)
y = df_prepared.price_category
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3, random_state=42)
from sklearn.ensemble import RandomForestClassifier
rf_clf = RandomForestClassifier()
rf_clf.fit(x_train, y_train)
from sklearn.metrics import accuracy_score
predicted_train_rf = rf_clf.predict(x_train)
predicted_test_rf = rf_clf.predict(x_test)
print(accuracy_score(y_train, predicted_train_rf)) # Точность на тренировочных данных
print(accuracy_score(y_test, predicted_test_rf)) # Точность на тестовых данных
# 1. Подготовка данных
df_prepared = df.copy() # Работаем с копией, чтобы не сломать исходник
# 2. Делим данные на "учебник" и "экзамен"
from sklearn.tree import DecisionTreeClassifier
x = df_prepared.drop('price_category', axis=1) # Удаляем целевую переменную из признаков
y = df_prepared['price_category'] # То, что предсказываем
# 3. Разделение с сохранением баланса (стратификация)
x_train, x_test, y_train, y_test = train_test_split(
x, y,
test_size=0.3,
random_state=42 # Чтобы результат был воспроизводим
)
# 4. Создаем "умное дерево" с защитой от переобучения
model = DecisionTreeClassifier( random_state=42)
model.fit(x_train, y_train) # Обучаемся на тренировочных данных
# 5. Проверяем точность
print(f"Точность на тесте: {accuracy_score(y_test, model.predict(x_test)):.2f}")
# 6. Обработка фичей с низкой важностью
# 6.1. Мы вычисляем важности фичей для обученной модели.
initial_importances = model.feature_importances_
# 6.2. Находим индексы тех фичей, важность которых равна нулю.
idx = np.where(initial_importances == 0)[0]
# np.where возвращает кортеж, поэтому [0] нужно, чтобы взять именно массив индексов.
# 6.3. Выбираем названия колонок
feature_to_drop = x_train.columns[idx].to_list()
# Используя индексы idx, выбираем названия колонок из x_train.
to_list() преобразует их в список.
# 6.4. Удаляем столбцы с нулевой важностью
x_train_reduced = x_train.drop(columns=feature_to_drop)
x_test_reduced = x_test.drop(columns=feature_to_drop)
# 7. Нужно переобучить модель
model = DecisionTreeClassifier( random_state=42)
model.fit(x_train_reduced, y_train)
from sklearn.metrics import accuracy_score
# true_label — истинные метки, pred_label — предсказания модели
accuracy = accuracy_score(true_label, pred_label)
print(f"Точность модели: {accuracy:.2f}")
from sklearn.metrics import confusion_matrix
# Строим матрицу ошибок
matrix = confusion_matrix(true_label, pred_label)
print("Матрица ошибок:")
print(matrix)
