Будем по признакам 'Hair length','Shoe size' предсказывать признак 'Sex'. Загрузите эти признаки из таблицы students.csv Пронормируйте признаки 'Hair length','Shoe size' используя StandardScaler Запустите модель SGDClassifier(randomstate=0) (нужно

1 октября 2025
Информационные технологии

Условие:

Будем по признакам 'Hair length','Shoe size' предсказывать признак 'Sex'. Загрузите эти признаки из таблицы students.csv

Пронормируйте признаки 'Hair length','Shoe size' используя StandardScaler

Запустите модель SGDClassifier(randomstate=0) (нужно написать фразу randomstate=0, чтобы у всех обучающихся был одинаковый ответ), и получите предсказания для студентов из тестовой выборки students_test.csv

С помощью команды pd.crosstab постройте матрицу ошибок (таблицу сопряженности) предсказанного и истинного пола студентов.

В отчет запишите количество студентов мужского пола, которые были детектированы как мужчины.

Решение:

Для выполнения вашей задачи, вам нужно будет выполнить несколько шагов. Давайте разберем их по порядку.

1. Загрузить данные из файлов students.csv и students_test.csv.
2. Нормализовать признаки Hair length и Shoe size с помощью StandardScaler.
3. Обучить модель SGDClassifier и сделать предсказания на тестовой выборке.
4. Построить матрицу ошибок с помощью pd.crosstab.
5. Записать количество студентов мужского пола, которые были детектированы как мужчины.

Вот пример кода, который выполняет все эти шаги:

- Мы загружаем данные из CSV файлов с помощью . - Затем мы выделяем признаки и целевую переменную из обучающего набора. - Используем для нормализации признаков. - Обучаем модель с фиксированным . - После этого мы подготавливаем тестовые данные, нормализуем их и получаем предсказания. - С помощью создаем матрицу ошибок, которая показывает, как предсказания модели соотносятся с истинными значениями. - В конце мы выводим количество студентов мужского пола, которые были правильно классифицированы как мужчины. Убедитесь, что у вас есть необходимые библиотеки (, ) и файлы данных в нужном формате.