AI-MOO

# pandas استدعاء مكتبة
import pandas as pd
from IPython.display import display


# سحب البيانات واستعراضها على هيئة إطار بيانات
diamonds = pd.read_csv('Datasets/diamonds.csv')

# عرض إطار البيانات
display(diamonds.head())

AI-MOO

# Pie chart تمثيل النسب المئوية لفئات النشاط البدني من خلال الرسم البياني 
plt.figure(figsize=(16,8))
plt.pie(df_activity_count['Counts'], labels = df_activity_count.index, autopct = '%0.2f')
plt.show()

AI-MOO

# تدريب نموذج الانحدار اللوجستي للتنبؤ بأمراض القلب
from sklearn.linear_model import LogisticRegression

lr_clf = LogisticRegression(solver='liblinear')
lr_clf.fit(X_train, y_train)

# طباعة تقرير أداء النموذج 
print_score(lr_clf, X_test, y_test)

AI-MOO

# تقسيم مجموعة البيانات إلى بيانات تدريب و اختبار
from sklearn.model_selection import train_test_split

X = dataset.drop('target', axis=1)
y = dataset.target

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

AI-MOO

# استدعاء دوال لقياس أداء النموذج
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report

# دالة طباعة تقرير أداء نموذج التصنيف
def print_score(clf, X_test, y_test):
    pred = clf.predict(X_test)
    clf_report = pd.DataFrame(classification_report(y_test, pred, output_dict=True))
    print("_______________________________________________")
    print(f"Accuracy Score: {accuracy_score(y_test, pred) * 100:.2f}%")
    print("_______________________________________________")

AI-MOO

df.drop('target', axis=1).corrwith(df.target).plot(kind='bar', grid=True, figsize=(12, 8), 
                                                   title="Correlation with target")

AI-MOO

# تصوير على هيئة خريطة حرارية لتمثيل العلاقة الترابطية بين الميزات
corr_matrix = df.corr()
fig, ax = plt.subplots(figsize=(15, 15))
ax = sns.heatmap(corr_matrix,
                 annot=True,
                 linewidths=0.5,
                 fmt=".2f",
                 cmap="YlGnBu");
bottom, top = ax.get_ylim()
ax.set_ylim(bottom + 0.5, top - 0.5)

AI-MOO

# تصوير البيانات الخاصة بالميزات الرقمية المتصلة بالنسبة لحالة الشخص (وجود مرض قلبي من عدمه)
plt.figure(figsize=(15, 15))

for i, column in enumerate(continous_val, 1):
    plt.subplot(3, 2, i)
    df[df["target"] == 0][column].hist(bins=35, color='blue', label='Have Heart Disease = NO', alpha=0.6)
    df[df["target"] == 1][column].hist(bins=35, color='red', label='Have Heart Disease = YES', alpha=0.6)
    plt.legend()
    plt.xlabel(column)

AI-MOO

# EDA استيراد المكتبات اللازمة لتحليل البيانات الاستكشافي 
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np

# تعيين تفضيلات الخلفية في الرسوم البيانية
%matplotlib inline
sns.set_style("whitegrid")
plt.style.use("fivethirtyeight")

AI-MOO

# استدعاء المكتبات
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# سحب البيانات 
data = pd.read_csv("data/uber-raw-data-sep14.csv")

# التعديل على صيغة التاريخ من شهر/يوم//سنة إلى يوم-شهر-سنة
data["Date/Time"] = data["Date/Time"].map(pd.to_datetime)