Обучение датасета

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
all_data = pd.read_tsv('...train.tsv ') #путь к данным
all_data.head()
labels = all_data[all_data.columns[-1]].values   #Выделим значения метки класса в переменную labels, признаковые описания в переменную feature_matrix. Так как данные числовые и не имеют пропусков, переведем их в numpy-формат с помощью метода .values.
feature_matrix = all_data[all_data.columns[:-1]].values
train_feature_matrix, test_feature_matrix, train_labels, test_labels = train_test_split(feature_matrix, labels, test_size=0.2,random_state=42) #Разделим выборку на обучающую и тестовую с помощью метода train_test_split
# создание модели с указанием гиперпараметра C
clf = LogisticRegression(C=1)
# обучение модели
clf.fit(train_feature_matrix, train_labels)
# предсказание на тестовой выборке
y_pred = clf.predict(test_feature_matrix)
#измерить качество нашей модели. Для этого можно использовать метод score(X, y), который посчитает какую-то функцию ошибки на выборке 

		
		
		
		
		
		
			

			
			
			
			
			
			
		
		
		
		
		
			
		

		
			

				
    
        
            
            0