uomodellamansarda

uomodellamansarda

uomodellamansarda

from sklearn.ensemble import GradientBoostingRegressor

# Instantiate gradient boosting
grbst = GradientBoostingRegressor(max_depth=5, 
            n_estimators=300,
            random_state=5)
# Fit gb to the training set
grbst.fit(X_train,y_train)

# Predict test set labels

uomodellamansarda

import pandas as pd 
import numpy as np 
#In questa sezione Le librerie necessarie per visualizzare in via interattiva 
#la nostra spezzata
from bokeh.layouts import column 
from bokeh.models import ColumnDataSource, Plot, Select,LinearAxis, Grid, HoverTool
 
from bokeh.plotting import figure,curdoc 
from bokeh.io import show,push_notebook, output_notebook,output_file 

uomodellamansarda

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


from sklearn.model_selection import train_test_split

#Importiamo i classificatori che vogliamo allenare
from sklearn.naive_bayes import MultinomialNB
from sklearn.linear_model import LogisticRegression

uomodellamansarda

#Qui lavoro di har code per semplicita dei tre file
#Nel futuro riutilizzerò del codice per la lettura automatica dei tre file 
file_1='datatraining.txt'
file_2='datatest.txt'
file_3='datatest2.txt'

df_train=pd.read_csv(file_1)
df_train.name="Training DataSet"
df_test=pd.read_csv(file_2)
df_test.name="Test DataSet"

uomodellamansarda

#Convertiamo in timestamp la colonna 'Date' per una migliore manipolazione, nel caso fosse necessaria 
datetime=pd.to_datetime(df_train.date)
df_train['date']=datetime
print(df_train.info())

#Essendo 8 variabili e tra loro potenzialmente correlate 
#Creiamo un subplot lungo la medesima verticale 
fig, ax= plt.subplots(df_train.shape[1]-1,sharex=True,figsize=(20,30))
                                                               
for i in range(df_train.shape[1]-1):

uomodellamansarda

#In questa sezione importiamo i moduli per la visualizzazione interattiva dei dati

from bokeh.layouts import column 
from bokeh.models import ColumnDataSource, Plot, Select,LinearAxis, Grid, HoverTool
from bokeh.models.glyphs import VBar 
from bokeh.plotting import figure,curdoc 
from bokeh.io import show,push_notebook, output_notebook,output_file 

#Output_notebook() è necessario per visualizzare 
#i grafici all'interno di jupyter notebook 

uomodellamansarda

#Una analisi della correlazione non sarebbe male 
#Si potrebbe creare un plot che  permette di selezionare le variabili 
#e in funzione di questa ti plotta la correlazione 
#oltre che a una heat map 
#Adesso possiamo passare alla parte di Machine Learning
#In primis andiamo a definire due funzioni
#La funzione get_prediction 

#Che effettuerà il training sulla base del
#classificatore scelto 

uomodellamansarda

import numpy as np
import pandas as pd 
import random 

#Il random seed ci permette di generare del codice pseudocasuale 
random.seed(30)
#Ho generato 1000 campioni di altezze 
#Attraverso una distribuzione Uniforme ed una Normale 
random_height_un=np.random.uniform(1.50, 2.00, 1000).round(2)
#In italia l'altezza media è di 1.77, sono 7 cm sotto il valore medio