создание модели прогнозирования
Есть csv файл с данными id, месяц, 49 аргументов, которые неизвестно как влияют на проноз, второй csv файл, в котором есть id, и прогноз ( 0 или 1 )
С условия задачи не совсем понятно, но попробую в кратце описать. Есть input csv, в котором каждому id из result csv соответствует 12 строк значений, то есть к id 0 который завен 1 или 0, из результата, в инпуте соответствует 12 строк со значениями. как понимаю из требования задания нужно построить модель, на абонентах(id) целевая метка по которым находится в output csv
Как можно создать метод прогнозирования данных?
Ответы (1 шт):
В библиотеке scikit-learn полно разных классификаторов (а у вас именно задача классификации). Самый простой метод - это LogisticRegression, начините с него.
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
X, y = load_iris(return_X_y=True) # --> тут вам надо подставить свои X и y
clf = LogisticRegression(random_state=0).fit(X, y)
clf.predict(X[:2, :])
# array([0, 0])
clf.predict_proba(X[:2, :])
# array([[9.8...e-01, 1.8...e-02, 1.4...e-08],
# [9.7...e-01, 2.8...e-02, ...e-08]])
clf.score(X, y)
# 0.97...
Первый dataset вам надо загрузить в X, второй в y. Ну там могут быть ещё тонкости, но копать надо в эту сторону. В частности id надо отбросить, предварительно убедившись, что его значения и порядок в обоих датасетах совпадают.