import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import accuracy_score

import seaborn as sns
sns.set_theme(style='dark', font_scale=1.3)

import warnings
warnings.filterwarnings('ignore')

data = pd.read_csv("<...>")

data.head()

data.info()

<..>.describe()

<..>.describe()

data.isna().sum()

<...>

data.columns = <...>

needed_columns = [' mean of the integrated profile',
       ' standard deviation of the integrated profile',
       ' skewness of the integrated profile', ' mean of the dm-snr curve',
       ' excess kurtosis of the dm-snr curve']  # Используем только эти столбцы для пульсаров

target = <...>

X = <...>
y = <...>

# Определим количество признаков
num_features = len(X.columns)

# Определим количество строк и столбцов для subplot
num_cols = 3  # Количество столбцов
num_rows = (num_features + num_cols - 1) // num_cols  # Количество строк

# Создаем фигуру и сетку подграфиков
fig, axes = plt.subplots(num_rows, num_cols, figsize=(20, num_rows * 5))

# Плоский список осей для удобства итерации
axes = axes.flatten()

# Построение графиков плотности для каждого признака
for i, feature in enumerate(X.columns):
    sns.kdeplot(data=data, x=feature, hue=target, fill=True, ax=axes[i])
    axes[i].set_title(f'Распределение признака\n{feature} по классам')

# Удаляем лишние оси, если их больше, чем признаков
for j in range(i + 1, len(axes)):
    fig.delaxes(axes[j])

# Показываем графики
plt.tight_layout()
plt.show()

# Визуализация распределения признака 'gender' с помощью barplot
plt.figure(figsize=(8, 6))
sns.countplot(data=data, x='gender', hue=target)

# Добавляем заголовок и метки осей
plt.title('Распределение признака gender по классам')
plt.xlabel('Gender')
plt.ylabel('Count')

# Показываем график
plt.show()

# Заполняем пропуски в вашем коде
plt.figure(figsize=(10, 6))

# Гистограмма для каждого класса
sns.histplot(data=data, x=' skewness of the integrated profile', hue=target, kde=True, bins=30, element='step', stat='density')

# Добавляем вертикальные линии для среднего значения каждого класса
for target_class in data[target].unique():
    mean_value = data[data[target] == target_class][' skewness of the integrated profile'].mean()
    plt.axvline(mean_value, color='orange' if target_class == 1 else 'blue', linestyle='--', label=f'Среднее класса {target_class}')

# Добавляем заголовок и метки осей
plt.title('Распределение признака skewness of the integrated profile по классам')
plt.xlabel('Skewness of the Integrated Profile')
plt.ylabel('Density')

# Отрегулируйте масштаб для лучшей визуализации класса 1
plt.ylim(<...>)

# Показываем график
plt.legend()
plt.show()

X_train, X_test, y_train, y_test = <...>

model = <...>

coefficients = model.coef_
intercept = model.intercept_

feature_names = X.columns  # Замените на ваши названия признаков
coef_df = pd.DataFrame(coefficients.T, index=feature_names, columns=['weights'])

# Добавляем свободный член в DataFrame
coef_df.loc['intercept'] = intercept

print(coef_df)

y_pred = <...>
probabilities = <...>
# Выводим вероятности и предсказания
results_df = pd.DataFrame({
    'Object': range(1, len(X_test) + 1),
    'Probability_Class_0': <...>,
    'Probability_Class_1': <...>,
    'Prediction': <...>
})

# Выводим DataFrame
results_df.head()

<...>

Показатель	Описание
Сывороточное железо (Serum iron)	↓ — снижено при железодефиците и железодефицитной анемии.
	N↓↓ — может быть нормальным или значительно сниженным при функциональном дефиците железа.
Ферритин (Serum ferritin)	<30 — снижен при железодефиците.
	>100 — повышен при анемии хронических заболеваний.
Гемоглобин (Hb)	↓ — снижен при анемии.
	N — нормальный уровень, если анемия отсутствует.
MCV (Mean Corpuscular Volume)	<80 — снижен (микроцитоз) при железодефицитной анемии.
	N — нормальный при отсутствии анемии.

Phystech@DataScience ¶

Логистическая регрессия¶

Физика : датасет на предсказание пульсаров¶

Описание датасета

Биология: датасет на анемию и лабораторные тесты¶

Ключевые показатели:¶

Примеры использования в таблице:¶

Описание датасета

1. Загрузка датасета¶

2. Предобработка данных¶

3. Графики¶

Биология¶

Физика¶

4. Разделим датасет и обучим модель¶

5. Проверим качество модели¶

Phystech@DataScience¶

Логистическая регрессия¶

Физика : датасет на предсказание пульсаров¶

Описание датасета

Биология: датасет на анемию и лабораторные тесты¶

Ключевые показатели:¶

Примеры использования в таблице:¶

Описание датасета

1. Загрузка датасета¶

2. Предобработка данных¶

3. Графики¶

Биология¶

Физика¶

4. Разделим датасет и обучим модель¶

5. Проверим качество модели¶

Phystech@DataScience ¶