Heights Of Mandelieu - Charming Villa With Sea View, Mandelieu

# Language: Python 3 Notebook Python script untuk aktifitas Data [Analisis Data](#analisis-data) [Preprocessing Data](#preprocessing-data) [Undersampling data](#undersampling-data) [Split data](#split-data) [Modelling](#modelling) ### Analisis Data Pertama kita panggil beberapa library yang dibutuhkan seperti dibawah ini ``` import pandas as pd import numpy as np import seaborn as sns import matplotlib.pyplot as plt ``` ``` melihat data yang sudah ada sample = pd.read_csv(data.csv) sample.head() sample.info() ``` - Untuk mengetahui bentuk dari data kita bisa menggunakan fungsi ```.shape()``` ``` sample.shape() ``` - Selanjutnya kita akan mengecek dan mengisi apakah ada data yang kosong pada kolom tertentu ``` sample.isnull().sum() #mengatasi missing values sample = sample.fillna(sample.median()) ``` - Saya juga mengecek korelasi antar data ``` corr = sample.corr() sns.heatmap(corr) plt.show() ``` - Disorder sampai_sehat - Score_Bawah Sampai_Utama - Asuransi Sampai_utama ### Preprocessing Data - Untuk mengubah data ke dalam bentuk numerik menggunakan module ```.get_dummies()``` - Memisahkan data untuk kategori ``` X_categorical = sample[[asuransi, kabupaten]] X_numerical = sample.drop(columns=[asuransi, kabupaten], axis=1) X_categorical = pd.get_dummies(X_categorical) ``` - Membuat Probability ``` X = sample.drop([asuransi, score_bawah, sampai_utama], axis=1) y = sample[score_bawah] X.head() ``` ### Undersampling Data ``` from sklearn.model_selection import train_test_split X_train,X_test, y_train, y_test = train_test_split(X,y, test_size=.2) ``` - Menggunakan balance ``` under = RandomUnderSampler(sampling_strategy=auto) X_train_under, y_train_under = under.fit_sample(X_train, y_train) ``` ``` Melakukan Modeling #Modelling from sklearn.ensemble import RandomForestClassifier rf = RandomForestClassifier() rf.fit(X_train_under, y_train_under) y_pred = rf.predict(X_test) ``` - Untuk menghitung nilai dari model yang dibuat ``` #Menghitung kekuatan model from sklearn.metrics import accuracy_score, recall_score print(Accuracy :, accuracy_score(y_test, y_pred)) print(Recall :, recall_score(y_test, y_pred)) print(\nClassification Report :) print(classification_report(y_test, y_pred)) ```