Контрольная тестовая модель

Сначала создается основная модель (как обычно с использованием обучающей выборки в файле train_data.csv)

import pandas as pd
from sklearn.tree import DecisionTreeClassifier

df = pd.read_csv('/datasets/train_data.csv')

Если необходимо делаем преобразование задачи регрессии в задачу классификации (вместо 10 можно подставить нужное число)

df.loc[df['col5'] > 10, 'target_col'] = 1
df.loc[df['col5'] <= 10, 'target_col'] = 0

Сохраняем признак в переменной features, а целевой признак — в target.

features = df.drop(['col5', 'target_col'], axis=1)
target = df['target_col']

model = DecisionTreeClassifier(random_state=12345)
model.fit(features, target)

Теперь создаем контрольную тестовую выборку из трех строк и сохраняем её в control_df

control_df = pd.read_csv('/datasets/control_data.csv').head(3)
 

control_df.loc[control_df['col5'] > 10, 'target_col'] = 1
control_df.loc[control_df['col5'] <= 10, 'target_col'] = 0

control_target = control_df['target_col']
control_features = control_df.drop(['col5','target_col'], axis=1)

Модель не создаем заново, иначе  мы перезапишем обученную модель пустышкой.

Сразу делаем предсказание.

control_target_predictions = model.predict(control_features)

print('Предсказания по тестовой выборке:', control_target_predictions)
print('Правильные ответы по обучающей выборке:', control_target.values)