Not a member of Pastebin yet?
Sign Up,
it unlocks many cool features!
- import pandas as pd
- from sklearn.model_selection import train_test_split
- from sklearn.linear_model import LogisticRegression
- from sklearn.tree import DecisionTreeClassifier
- from sklearn.preprocessing import StandardScaler
- from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
- from sklearn.metrics import roc_auc_score
- # прочитаем из csv-файла данные о параметрах сетей и их устойчивости
- electrical_grid = pd.read_csv(
- '/datasets/Electrical_Grid_Stability.csv', sep=';'
- )
- print('Размер датасета:', electrical_grid.shape)
- electrical_grid.head()
- # посмотрим, как соотносятся классы для нашего набора данных
- electrical_grid['stability'].value_counts()
- # разделим наши данные на признаки (матрица X) и целевую переменную (y)
- X = electrical_grid.drop('stability', axis=1)
- y = electrical_grid['stability']
- # разделяем модель на обучающую и валидационную выборку
- X_train, X_test, y_train, y_test = train_test_split(
- X, y, test_size=0.2, random_state=0
- )
- # обучите StandartScaler на обучающей выборке
- scaler = StandardScaler()
- scaler.fit(X_train)
- # Преобразуйте обучающий и валидационные наборы данных
- X_train_st = scaler.transform(X_train)
- X_test_st = scaler.transform(X_test)
- # зададим алгоритм для нашей модели
- model = LogisticRegression(solver='liblinear', random_state=0)
- # обучим модель
- model.fit(X_train_st, y_train)
- # воспользуемся уже обученной моделью, чтобы сделать прогнозы
- predictions = model.predict(X_test_st)
- probabilities = model.predict_proba(X_test_st)[:, 1]
- # выведем все изученные метрики
- print('Метрики для логистической регрессии')
- print('Accuracy: {:.2f}'.format(accuracy_score(y_test, predictions)))
- print('Precision: {:.2f}'.format(precision_score(y_test, predictions)))
- print('Recall: {:.2f}'.format(recall_score(y_test, predictions)))
- print('F1: {:.2f}'.format(f1_score(y_test, predictions)))
- print('ROC_AUC: {:.2f}\n'.format(roc_auc_score(y_test, probabilities)))
- # зададим алгоритм для новой модели на основе алгоритма решающего дерева
- tree_model = DecisionTreeClassifier(random_state=0)
- # обучите модель
- tree_model.fit(X_train_st, y_train)
- # воспользуемся уже обученной моделью, чтобы сделать прогнозы
- tree_predictions = tree_model.predict(X_train_st)
- tree_probabilities = tree_model.predict_proba(X_test_st)[:, 1]
- # выведем все изученные метрики
- print('Метрики для дерева принятия решения')
- print('Accuracy: {:.2f}'.format(accuracy_score(y_test, tree_predictions)))
- print('Precision: {:.2f}'.format(precision_score(y_test, tree_predictions)))
- print('Recall: {:.2f}'.format(recall_score(y_test, tree_predictions)))
- print('F1: {:.2f}'.format(f1_score(y_test, tree_predictions)))
- print('ROC_AUC: {:.2f}'.format(roc_auc_score(y_test, tree_probabilities)))
Add Comment
Please, Sign In to add comment