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)