print()

print("---------------------------------------")
print("Предсказание класса для первых 20 объектов из X")
print(clf.predict(X[:20, :]))
print("---------------------------------------")

print()
print(cross_val_score(clf, X, y, cv=10))

print("---------------------------------------")
help(plot_cross_validation)
print("---------------------------------------")
print("Вызов функции plot_cross_validation")
param = plot_cross_validation(X=X, y=y, clf=clf, title="Logistic Regression")
print("---------------------------------------")
print(param)
print()

print("---------------------------------------")
print("Элемент из digits")
print(digits.images[0])
print("---------------------------------------")

print()

print("---------------------------------------")
print("Элемент из X")
print(X[:1, :])
print("---------------------------------------")
data_notna = pd.DataFrame.dropna(data)
X = data_notna[["Pclass", "Fare", "Age", "Sex"]]
X.replace("male", 0, True, None, False)
X.replace("female", 1, True, None, False)

y = data_notna["Survived"]

C = 1  # параметр регуляризации SVM
# svc = svm.SVC(kernel='linear', C=1,gamma=0.1).fit(X, y) # здесь мы взяли линейный kernel
svc = svm.SVC(kernel='linear', C=1, gamma=0.1)
svc.fit(X, y)

print(svc.predict(X.loc[:3, :]))

print("---------------------------------------")
print("Первые два объекта из X")
print(X.loc[:3, :])
print("Предсказание класса для первых двух объектов из X")
print(svc.predict(X.loc[:3, :]))
print("---------------------------------------")
print(cross_val_score(svc, X, y, cv=10))

# Забираем функцию для построения графиков (не забываем подгрузить cross_validation_plotter)
print("---------------------------------------")
help(plot_cross_validation)  #
print("---------------------------------------")
print("Вызов функции")
param = plot_cross_validation(X=X, y=y, clf=svc, title="SVM")
print("---------------------------------------")
print(param)