{"id":21546979,"url":"https://github.com/lexxai/goit_python_ds_hw_05","last_synced_at":"2026-04-12T01:36:24.837Z","repository":{"id":219798835,"uuid":"749960965","full_name":"lexxai/goit_python_ds_hw_05","owner":"lexxai","description":"Метод опорних векторів -Support Vector Machine, SVM. Дерева рішень - RandomForestClassifier, XGBClassifier","archived":false,"fork":false,"pushed_at":"2024-02-04T09:15:38.000Z","size":8407,"stargazers_count":0,"open_issues_count":0,"forks_count":0,"subscribers_count":1,"default_branch":"main","last_synced_at":"2025-10-28T16:48:11.460Z","etag":null,"topics":["classification","numpy","pandas","python","random-forest-classifier","reporting","scikit-learn","svm-classifier","svm-model","xgbclassifier"],"latest_commit_sha":null,"homepage":"","language":"Jupyter Notebook","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":"mit","status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/lexxai.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":"LICENSE","code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null}},"created_at":"2024-01-29T18:16:50.000Z","updated_at":"2024-04-06T00:04:38.000Z","dependencies_parsed_at":"2024-04-06T02:32:58.493Z","dependency_job_id":null,"html_url":"https://github.com/lexxai/goit_python_ds_hw_05","commit_stats":{"total_commits":29,"total_committers":1,"mean_commits":29.0,"dds":0.0,"last_synced_commit":"0debf4c424131e7529e1cf591bf541c495f239f5"},"previous_names":["lexxai/goit_python_ds_hw_05"],"tags_count":3,"template":false,"template_full_name":null,"purl":"pkg:github/lexxai/goit_python_ds_hw_05","repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/lexxai%2Fgoit_python_ds_hw_05","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/lexxai%2Fgoit_python_ds_hw_05/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/lexxai%2Fgoit_python_ds_hw_05/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/lexxai%2Fgoit_python_ds_hw_05/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/lexxai","download_url":"https://codeload.github.com/lexxai/goit_python_ds_hw_05/tar.gz/refs/heads/main","sbom_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/lexxai%2Fgoit_python_ds_hw_05/sbom","scorecard":null,"host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":286080680,"owners_count":31701641,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2026-04-11T21:17:31.016Z","status":"ssl_error","status_checked_at":"2026-04-11T21:17:24.556Z","response_time":54,"last_error":"SSL_read: unexpected eof while reading","robots_txt_status":"success","robots_txt_updated_at":"2025-07-24T06:49:26.215Z","robots_txt_url":"https://github.com/robots.txt","online":false,"can_crawl_api":true,"host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["classification","numpy","pandas","python","random-forest-classifier","reporting","scikit-learn","svm-classifier","svm-model","xgbclassifier"],"created_at":"2024-11-24T06:13:50.245Z","updated_at":"2026-04-12T01:36:24.761Z","avatar_url":"https://github.com/lexxai.png","language":"Jupyter Notebook","funding_links":[],"categories":[],"sub_categories":[],"readme":"# Модуль 5. Домашнє завдання. Інші алгоритми навчання з учителем. Метод опорних векторів - Support Vector Machine, SVM. Дерева рішень - RandomForestClassifier, XGBClassifier.\n\n*З циклу [домашніх завдань Python Data Science](https://github.com/lexxai/goit_python_data_sciense_homework).*\n\nВ домашньому завданні до даного модулю ви потренуєтесь робити тестове завдання для влаштування на роботу. За даними акселерометра з мобільного телефону потрібно класифікувати, якою діяльністю займається людина: йде, стоїть, біжить чи йде по сходах. Знайти датасет ви можете за [посиланням](https://drive.google.com/file/d/1nzrtQpfaHL0OgJ_eXzA7VuEj7XotrSWO/view?usp=share_link).\n\nВикористайте алгоритми SVM та випадковий ліс з бібліотеки `scikit-learn`. Як характеристики можете брати показники з акселерометра, проте щоб покращити результати роботи алгоритмів, спочатку можна підготувати наш датасет і розрахувати часові ознаки (*time domain features*). Більше ці характеристики описані в даній [статті](https://drive.google.com/file/d/1-18YEmp0YjV3hN9iI8J1i_FWd55HFwOK/view?usp=share_link).\n\n- Порівняйте результати роботи обох алгоритмів на різних фічах та різні моделі між собою.\n\n- Порівняйте результати роботи обох алгоритмів на різних фічах та різні моделі між собою. Використайте метод `classification report` для порівняння.\n\n- Порівняння моделей на основі однієї метрики(такої як `Accuracy`)- не приймається. \n\nДз повинно бути виконано у Jupyter Nootebook,(або Google Colab) і задеплоїне на Гітхаб у вигляді файлу .ipynb.\n\n\n\n# Виконнаня:\n\n- [goit_ds_hw_05.ipynb](goit_ds_hw_05.ipynb)\n\n- [Colab](https://colab.research.google.com/drive/1DD8nHq-iAc_k8v14iIDKtyw8NGoCkAyw?usp=sharing)\n\n- [Colab Extra Tasks](https://colab.research.google.com/drive/1LOxtCv4zACK-iir-kigvzlt96_G-PBk3?usp=sharing)\n\n# Результати:\n\nРізні набори даних були створені з файлів у форматі CSV, завантажених з різних тек, кожен з яких був названий відповідно до відповідної діяльності. І кожен файл мав 30 записів з 3-х параметрів (координат) акселерометра.\n![](dataframe_3d.png)\n\n* Набір даних f0s0: містить дані за 4 характеристиками.\n* Набір даних f0s1: Містить дані з 31 характеристикою.\n* Набір даних f1s0: містить дані з 91 ознакою.\n* Набір даних f1s1: Містить дані зі 118 ознаками.\n\nУ наборі даних \"f0s0\" модель SVC-Linear була пропущена за причини тривалої роботи, що потенційно перевищувала одну годину.\n\nМоделі, використані для аналізу, включали SVC, SVC-Linear та RandomForestClassifier.\n\n* Для набору даних з 4 ознаками (f0s0) модель RandomForestClassifier показала кращі результати.\n* Для набору даних з 31 ознакою (f0s1) краще працює RandomForestClassifier.\n* Для набору даних з 91 ознакою (f1s0) RandomForestClassifier працює краще.\n* Для набору даних зі 118 ознаками (f1s1) RandomForestClassifier працює краще.\n\nЦей набір даних 'f0s1' досягнув ідеальної точності 1.0000, що робить його найвищим серед наданих наборів даних.\n\nНабір даних 'f0s1' не був вирівняний і до нього були додані статистичні характеристики.\n\nПереможцем став набір даних 'f0s1' з 31 ознакою при використанні моделі RandomForestClassifier.\n\n\n## Extra Tasks\n\nКрім того, модель SVC було доповнено функцією StandardScaler(), що призвело до незначного збільшення точності на 0,452%.\n```\nData set: f0s1, shape: (193860, 31), model: SVC\n              precision    recall  f1-score   support\n\n        idle     1.0000    1.0000    1.0000     30672\n     walking     1.0000    1.0000    1.0000     30672\n     running     1.0000    1.0000    1.0000     30672\n      stairs     1.0000    1.0000    1.0000     30672\n\n    accuracy                         1.0000    122688\n   macro avg     1.0000    1.0000    1.0000    122688\nweighted avg     1.0000    1.0000    1.0000    122688\n--------------------------------------------------------------------------------\nData set: f0s1, shape: (193860, 31), model: RandomForestClassifier\n              precision    recall  f1-score   support\n\n        idle     1.0000    1.0000    1.0000     30672\n     walking     1.0000    1.0000    1.0000     30672\n     running     1.0000    1.0000    1.0000     30672\n      stairs     1.0000    1.0000    1.0000     30672\n\n    accuracy                         1.0000    122688\n   macro avg     1.0000    1.0000    1.0000    122688\nweighted avg     1.0000    1.0000    1.0000    122688\n```\n\n- Для набору даних з 4 ознаками (f0s0) модель RandomForestClassifier показала кращі результати.\n- Для набору даних з 31 ознакою (f0s1) краще працює як RandomForestClassifier так і SVC + StandardScaler().\n- Для набору даних з 91 ознакою (f1s0) RandomForestClassifier працює краще.\n- Для набору даних зі 118 ознаками (f1s1) RandomForestClassifier працює краще.\n    \nЦей набір даних 'f0s1' досягнув ідеальної точності 1.0000, що робить його найвищим серед наданих наборів даних як для RandomForestClassifier так і SVC з StandardScaler().\n\nЧас витарчений для навчання та прогнозування відповідно:\n```\n- classification: SVC\nCPU times: user 1min 28s, sys: 222 ms, total: 1min 28s\nWall time: 1min 29s\nCPU times: user 28.9 s, sys: 22.1 ms, total: 28.9 s\nWall time: 28.9 s\n-----------------------------------\n- classification: RandomForestClassifier\nCPU times: user 38.8 s, sys: 39.9 ms, total: 38.8 s\nWall time: 38.9 s\nCPU times: user 828 ms, sys: 2 ms, total: 830 ms\nWall time: 824 ms\n```\nЗгідно цього вибору за рахункок швидкості виграє RandomForestClassifier.\n\nBest Parameters of datast 'f0s1' with RandomForestClassifier model is :  \n  - 'n_estimators': 25\n  - 'min_samples_split': 20 \n  - 'min_samples_leaf': 2\n  - 'max_depth': 20\n\nBest Scoring: 1.00\n\nBest Parameters of datast 'f0s1' with XGBClassifier model is :\n   - 'n_estimators': 1\n   - 'min_samples_split': 5\n   - 'min_samples_leaf': 4\n   - 'max_depth': 100\n\nBest Scoring: 1.00\n\n\n### Балансування записів з додаванням синтеничних данних\n#### SMOTE\nДодано додковий reshahping з викорисанням [SMOTE](https://medium.com/thecyphy/handling-imbalanced-datasets-with-imblearn-library-df5e58b968f4).\n\nКорий синтетично збалансував кількість класів у датасет в сторону збільшення.\n```\nsm = SMOTE(random_state=0)\nX_resampled, y_resampled = sm.fit_resample(X, y)\n```\n```\nDATASET f0s1. shape: (193860, 31)\nclass: 0, rows:   31170, idle   , prop: 0.1608\nclass: 1, rows:   55500, walking, prop: 0.2863\nclass: 2, rows:  102240, running, prop: 0.5274\nclass: 3, rows:    4950, stairs , prop: 0.02553\nX.shape=(193860, 30)\nX_resampled.shape=(408960, 30)\ny_resampled.shape=(408960,)\nclass: 0, rows:  102240, idle   , prop: 0.25\nclass: 1, rows:  102240, walking, prop: 0.25\nclass: 2, rows:  102240, running, prop: 0.25\nclass: 3, rows:  102240, stairs , prop: 0.25\n```\n##### Classification report\n```\nlimit_frames=None\n--------------------------------------------------------------------------------\nData set: f0s0, shape: (193860, 4), model: SVC\n              precision    recall  f1-score   support\n\n        idle     0.9601    0.9839    0.9718      9351\n     walking     0.8017    0.8979    0.8470     16650\n     running     0.9279    0.9052    0.9164     30672\n      stairs     1.0000    0.0054    0.0107      1485\n\n    accuracy                         0.8928     58158\n   macro avg     0.9224    0.6981    0.6865     58158\nweighted avg     0.8988    0.8928    0.8823     58158\n\n--------------------------------------------------------------------------------\nData set: f0s0, shape: (193860, 4), model: RandomForestClassifier\n              precision    recall  f1-score   support\n\n        idle     0.9997    1.0000    0.9998      9351\n     walking     0.9995    0.9996    0.9995     16650\n     running     0.9996    1.0000    0.9998     30672\n      stairs     1.0000    0.9906    0.9953      1485\n\n    accuracy                         0.9996     58158\n   macro avg     0.9997    0.9975    0.9986     58158\nweighted avg     0.9996    0.9996    0.9996     58158\n\n--------------------------------------------------------------------------------\nData set: f0s1, shape: (193860, 31), model: SVC\n              precision    recall  f1-score   support\n\n        idle     1.0000    1.0000    1.0000     30672\n     walking     1.0000    1.0000    1.0000     30672\n     running     1.0000    1.0000    1.0000     30672\n      stairs     1.0000    1.0000    1.0000     30672\n\n    accuracy                         1.0000    122688\n   macro avg     1.0000    1.0000    1.0000    122688\nweighted avg     1.0000    1.0000    1.0000    122688\n\n--------------------------------------------------------------------------------\nData set: f0s1, shape: (193860, 31), model: SVC_Linear\n              precision    recall  f1-score   support\n\n        idle     1.0000    1.0000    1.0000     30672\n     walking     0.9939    0.9587    0.9760     30672\n     running     1.0000    1.0000    1.0000     30672\n      stairs     0.9601    0.9941    0.9768     30672\n\n    accuracy                         0.9882    122688\n   macro avg     0.9885    0.9882    0.9882    122688\nweighted avg     0.9885    0.9882    0.9882    122688\n\n--------------------------------------------------------------------------------\nData set: f0s1, shape: (193860, 31), model: RandomForestClassifier\n              precision    recall  f1-score   support\n\n        idle     1.0000    1.0000    1.0000     30672\n     walking     1.0000    1.0000    1.0000     30672\n     running     1.0000    1.0000    1.0000     30672\n      stairs     1.0000    1.0000    1.0000     30672\n\n    accuracy                         1.0000    122688\n   macro avg     1.0000    1.0000    1.0000    122688\nweighted avg     1.0000    1.0000    1.0000    122688\n\n--------------------------------------------------------------------------------\nData set: f1s0, shape: (6462, 91), model: SVC\n              precision    recall  f1-score   support\n\n        idle     1.0000    1.0000    1.0000      1023\n     walking     0.9851    0.9706    0.9778      1022\n     running     1.0000    1.0000    1.0000      1023\n      stairs     0.9711    0.9853    0.9781      1022\n\n    accuracy                         0.9890      4090\n   macro avg     0.9890    0.9890    0.9890      4090\nweighted avg     0.9890    0.9890    0.9890      4090\n\n--------------------------------------------------------------------------------\nData set: f1s0, shape: (6462, 91), model: SVC_Linear\n              precision    recall  f1-score   support\n\n        idle     0.9894    1.0000    0.9947      1023\n     walking     0.8653    0.9178    0.8908      1022\n     running     1.0000    0.9892    0.9946      1023\n      stairs     0.9125    0.8571    0.8840      1022\n\n    accuracy                         0.9411      4090\n   macro avg     0.9418    0.9410    0.9410      4090\nweighted avg     0.9418    0.9411    0.9410      4090\n\n--------------------------------------------------------------------------------\nData set: f1s0, shape: (6462, 91), model: RandomForestClassifier\n              precision    recall  f1-score   support\n\n        idle     1.0000    1.0000    1.0000      1023\n     walking     0.9941    0.9902    0.9922      1022\n     running     1.0000    1.0000    1.0000      1023\n      stairs     0.9903    0.9941    0.9922      1022\n\n    accuracy                         0.9961      4090\n   macro avg     0.9961    0.9961    0.9961      4090\nweighted avg     0.9961    0.9961    0.9961      4090\n\n--------------------------------------------------------------------------------\nData set: f1s1, shape: (6462, 118), model: SVC\n              precision    recall  f1-score   support\n\n        idle     1.0000    1.0000    1.0000      1023\n     walking     0.9990    0.9765    0.9876      1022\n     running     1.0000    1.0000    1.0000      1023\n      stairs     0.9770    0.9990    0.9879      1022\n\n    accuracy                         0.9939      4090\n   macro avg     0.9940    0.9939    0.9939      4090\nweighted avg     0.9940    0.9939    0.9939      4090\n\n--------------------------------------------------------------------------------\nData set: f1s1, shape: (6462, 118), model: SVC_Linear\n              precision    recall  f1-score   support\n\n        idle     1.0000    1.0000    1.0000      1023\n     walking     0.9940    0.9755    0.9847      1022\n     running     1.0000    1.0000    1.0000      1023\n      stairs     0.9760    0.9941    0.9850      1022\n\n    accuracy                         0.9924      4090\n   macro avg     0.9925    0.9924    0.9924      4090\nweighted avg     0.9925    0.9924    0.9924      4090\n\n--------------------------------------------------------------------------------\nData set: f1s1, shape: (6462, 118), model: RandomForestClassifier\n              precision    recall  f1-score   support\n\n        idle     1.0000    1.0000    1.0000      1023\n     walking     0.9980    1.0000    0.9990      1022\n     running     1.0000    1.0000    1.0000      1023\n      stairs     1.0000    0.9980    0.9990      1022\n\n    accuracy                         0.9995      4090\n   macro avg     0.9995    0.9995    0.9995      4090\nweighted avg     0.9995    0.9995    0.9995      4090\n```\n#### RandomUnderSampler\nДодано додковий reshahping з викорисанням [RandomUnderSampler](https://medium.com/thecyphy/handling-imbalanced-datasets-with-imblearn-library-df5e58b968f4).\n\nКорий синтетично збалансував кількість класів у датасет в сторону зменшення.\n```\nrundersampler = RandomUnderSampler(random_state=0)\nX_resampled, y_resampled = rundersampler.fit_resample(X, y)\n```\n```\nDATASET f0s1. shape: (193860, 31)\nclass: 0, rows:   31170, idle   , prop: 0.1608\nclass: 1, rows:   55500, walking, prop: 0.2863\nclass: 2, rows:  102240, running, prop: 0.5274\nclass: 3, rows:    4950, stairs , prop: 0.02553\nX.shape=(193860, 30)\nX_resampled.shape=(19800, 30)\ny_resampled.shape=(19800,)\nclass: 0, rows:    4950, idle   , prop: 0.25\nclass: 1, rows:    4950, walking, prop: 0.25\nclass: 2, rows:    4950, running, prop: 0.25\nclass: 3, rows:    4950, stairs , prop: 0.25\n```\n##### Classification report\n```\nlimit_frames=None\n--------------------------------------------------------------------------------\nData set: f0s0, shape: (193860, 4), model: SVC\n              precision    recall  f1-score   support\n\n        idle     0.9601    0.9839    0.9718      9351\n     walking     0.8017    0.8979    0.8470     16650\n     running     0.9279    0.9052    0.9164     30672\n      stairs     1.0000    0.0054    0.0107      1485\n\n    accuracy                         0.8928     58158\n   macro avg     0.9224    0.6981    0.6865     58158\nweighted avg     0.8988    0.8928    0.8823     58158\n\n--------------------------------------------------------------------------------\nData set: f0s0, shape: (193860, 4), model: RandomForestClassifier\n              precision    recall  f1-score   support\n\n        idle     0.9997    1.0000    0.9998      9351\n     walking     0.9995    0.9994    0.9994     16650\n     running     0.9995    0.9999    0.9997     30672\n      stairs     1.0000    0.9906    0.9953      1485\n\n    accuracy                         0.9996     58158\n   macro avg     0.9997    0.9975    0.9986     58158\nweighted avg     0.9996    0.9996    0.9996     58158\n\n--------------------------------------------------------------------------------\nData set: f0s1, shape: (193860, 31), model: SVC\n              precision    recall  f1-score   support\n\n        idle     1.0000    1.0000    1.0000      1485\n     walking     1.0000    0.9778    0.9888      1485\n     running     1.0000    1.0000    1.0000      1485\n      stairs     0.9783    1.0000    0.9890      1485\n\n    accuracy                         0.9944      5940\n   macro avg     0.9946    0.9944    0.9944      5940\nweighted avg     0.9946    0.9944    0.9944      5940\n\n--------------------------------------------------------------------------------\nData set: f0s1, shape: (193860, 31), model: SVC_Linear\n              precision    recall  f1-score   support\n\n        idle     1.0000    1.0000    1.0000      1485\n     walking     0.9882    0.9569    0.9723      1485\n     running     1.0000    1.0000    1.0000      1485\n      stairs     0.9582    0.9886    0.9732      1485\n\n    accuracy                         0.9864      5940\n   macro avg     0.9866    0.9864    0.9864      5940\nweighted avg     0.9866    0.9864    0.9864      5940\n\n--------------------------------------------------------------------------------\nData set: f0s1, shape: (193860, 31), model: RandomForestClassifier\n              precision    recall  f1-score   support\n\n        idle     1.0000    1.0000    1.0000      1485\n     walking     1.0000    1.0000    1.0000      1485\n     running     1.0000    1.0000    1.0000      1485\n      stairs     1.0000    1.0000    1.0000      1485\n\n    accuracy                         1.0000      5940\n   macro avg     1.0000    1.0000    1.0000      5940\nweighted avg     1.0000    1.0000    1.0000      5940\n\n--------------------------------------------------------------------------------\nData set: f1s0, shape: (6462, 91), model: SVC\n              precision    recall  f1-score   support\n\n        idle     1.0000    1.0000    1.0000        50\n     walking     0.8600    0.8776    0.8687        49\n     running     1.0000    1.0000    1.0000        50\n      stairs     0.8750    0.8571    0.8660        49\n\n    accuracy                         0.9343       198\n   macro avg     0.9337    0.9337    0.9337       198\nweighted avg     0.9344    0.9343    0.9343       198\n\n--------------------------------------------------------------------------------\nData set: f1s0, shape: (6462, 91), model: SVC_Linear\n              precision    recall  f1-score   support\n\n        idle     0.9804    1.0000    0.9901        50\n     walking     0.7619    0.6531    0.7033        49\n     running     1.0000    0.9800    0.9899        50\n      stairs     0.6964    0.7959    0.7429        49\n\n    accuracy                         0.8586       198\n   macro avg     0.8597    0.8572    0.8565       198\nweighted avg     0.8610    0.8586    0.8579       198\n\n--------------------------------------------------------------------------------\nData set: f1s0, shape: (6462, 91), model: RandomForestClassifier\n              precision    recall  f1-score   support\n\n        idle     1.0000    1.0000    1.0000        50\n     walking     0.8864    0.7959    0.8387        49\n     running     1.0000    1.0000    1.0000        50\n      stairs     0.8148    0.8980    0.8544        49\n\n    accuracy                         0.9242       198\n   macro avg     0.9253    0.9235    0.9233       198\nweighted avg     0.9260    0.9242    0.9240       198\n\n--------------------------------------------------------------------------------\nData set: f1s1, shape: (6462, 118), model: SVC\n              precision    recall  f1-score   support\n\n        idle     1.0000    1.0000    1.0000        50\n     walking     0.9375    0.9184    0.9278        49\n     running     1.0000    1.0000    1.0000        50\n      stairs     0.9200    0.9388    0.9293        49\n\n    accuracy                         0.9646       198\n   macro avg     0.9644    0.9643    0.9643       198\nweighted avg     0.9647    0.9646    0.9646       198\n\n--------------------------------------------------------------------------------\nData set: f1s1, shape: (6462, 118), model: SVC_Linear\n              precision    recall  f1-score   support\n\n        idle     1.0000    1.0000    1.0000        50\n     walking     0.8462    0.8980    0.8713        49\n     running     1.0000    1.0000    1.0000        50\n      stairs     0.8913    0.8367    0.8632        49\n\n    accuracy                         0.9343       198\n   macro avg     0.9344    0.9337    0.9336       198\nweighted avg     0.9350    0.9343    0.9343       198\n\n--------------------------------------------------------------------------------\nData set: f1s1, shape: (6462, 118), model: RandomForestClassifier\n              precision    recall  f1-score   support\n\n        idle     1.0000    1.0000    1.0000        50\n     walking     1.0000    0.9796    0.9897        49\n     running     1.0000    1.0000    1.0000        50\n      stairs     0.9800    1.0000    0.9899        49\n\n    accuracy                         0.9949       198\n   macro avg     0.9950    0.9949    0.9949       198\nweighted avg     0.9951    0.9949    0.9949       198\n```\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Flexxai%2Fgoit_python_ds_hw_05","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Flexxai%2Fgoit_python_ds_hw_05","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Flexxai%2Fgoit_python_ds_hw_05/lists"}