120 практических задач

import pandas as pd

import numpy as np

from sklearn.model_selection import train_test_split

from sklearn.preprocessing import StandardScaler

from sklearn.linear_model import LogisticRegression

from sklearn.metrics import accuracy_score, classification_report

# Загрузка данных (замените на ваш источник данных)

data = pd.read_csv('sports_data.csv')

# Предобработка данных

# Пример: преобразование категориальных переменных в числовые

data['team1'] = data['team1'].astype('category').cat.codes

data['team2'] = data['team2'].astype('category').cat.codes

# Выбор признаков и целевой переменной

X = data[['team1', 'team2', 'team1_score', 'team2_score', 'team1_wins', 'team2_wins']]

y = data['outcome'] # Целевая переменная (победа/поражение)

# Разделение данных на тренировочную и тестовую выборки

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Масштабирование признаков

scaler = StandardScaler

X_train = scaler.fit_transform(X_train)

X_test = scaler.transform(X_test)

# Создание и обучение модели логистической регрессии

model = LogisticRegression

model.fit(X_train, y_train)

# Прогнозирование на тестовых данных