import pandas as pd

csv_bestand = 'https://drive.google.com/uc?export=download&id=1mD8IJEoSssFTMJyUU8SFJcUV5DwKazUu'

tabel = pd.read_csv(csv_bestand) #makkelijker om csv te lezen. Voor excel nog wat andere modules nodig

tabel

#eigen voorspelling def voorspellen(verdeling): #importeren, herhaling ivm functie import pandas as pd csv_bestand = 'https://drive.google.com/uc?export=download&id=1mD8IJEoSssFTMJyUU8SFJcUV5DwKazUu' tabel = pd.read_csv(csv_bestand) #makkelijker om csv te lezen. Voor excel nog wat andere modules nodig #punten in blok 3 bepalen punten_lijst_b3=[] for studentx in range(len(tabel)): punten=0 if tabel.values[studentx][3] >= 5.5: punten+=3 cijfer_graaf=tabel.values[studentx][4]*0.2+tabel.values[studentx][5]*0.8 if cijfer_graaf >= 5.5: punten+=3 for vakken in range (6,24-5): #-5 is t/m blok 3 !!! if tabel.values[studentx][vakken] >= 5.5: punten+=3 punten_lijst_b3.append(punten) #wiskunde vakken 2/3 minimaal wis = [] wis_punten=0 if tabel.values[studentx][6]>5.4: wis_punten+=1 if tabel.values[studentx][11]>5.4: wis_punten if tabel.values[studentx][17]>5.4: wis_punten+=1 #voorspelling inc wiskunde vakken bsa_voorspelling=[] for verdelingen in range(len(punten_lijst_b3)): if punten_lijst_b3[verdelingen]>=verdeling and tabel.values[verdelingen][2]!='uitgesteld' and wis_punten>1: bsa_voorspelling.append(1) elif tabel.values[verdelingen][2]!='uitgesteld': bsa_voorspelling.append(0) bsa_1_0=[] for uitslag in range(len(tabel)): if tabel.values[uitslag][2] == 'positief': bsa_1_0.append(1) elif tabel.values[uitslag][2] == 'negatief': bsa_1_0.append(0) uitkomst=[] for v in range(len(bsa_1_0)): if bsa_1_0[v] == bsa_voorspelling[v]: uitkomst.append("ja") else: uitkomst.append("nee") bsa_punten = tabel['Aantal behaalde punten (STP) binnen programma'].tolist() from sklearn.metrics import accuracy_score from sklearn.metrics import recall_score from sklearn.metrics import precision_score return [accuracy_score(bsa_1_0, bsa_voorspelling),recall_score(bsa_1_0, bsa_voorspelling), precision_score(bsa_1_0, bsa_voorspelling)]

lijstje=[] for pp in range(36,46,3): lijstje.append([voorspellen(pp),pp]) #sorteert op nauwkeurigheid lijstje_2 = sorted(lijstje, key=lambda x: x[0]) #print deze lijst van lage naar hoge nauwkeurigheid print(lijstje_2) print(f'De verdeling op {lijstje_2[-1][1]} punten is optimaal')

verdeling_optimaal = lijstje_2[-1][1] # importeren import pandas as pd csv_bestand = 'https://drive.google.com/uc?export=download&id=1mD8IJEoSssFTMJyUU8SFJcUV5DwKazUu' tabel = pd.read_csv(csv_bestand) # makkelijker om csv te lezen. Voor excel nog wat andere modules nodig # punten in blok 3 bepalen punten_lijst_b3 = [] for studentx in range(len(tabel)): punten = 0 if tabel.values[studentx][3] >= 5.5: punten += 3 cijfer_graaf = tabel.values[studentx][4] * 0.2 + tabel.values[studentx][5] * 0.8 if cijfer_graaf >= 5.5: punten += 3 for vakken in range(6, 24 - 5): # -5 is t/m blok 3 !!! if tabel.values[studentx][vakken] >= 5.5: punten += 3 punten_lijst_b3.append(punten) #wiskunde vakken 2/3 minimaal wis = [] wis_punten=0 if tabel.values[studentx][6]>5.4: wis_punten+=1 if tabel.values[studentx][11]>5.4: wis_punten if tabel.values[studentx][17]>5.4: wis_punten+=1 # inc wiskunde vakken bsa_voorspelling = [] for verdelingen in range(len(punten_lijst_b3)): if punten_lijst_b3[verdelingen] >= verdeling_optimaal and wis_punten>1 and tabel.values[verdelingen][2] != 'uitgesteld': bsa_voorspelling.append(1) elif tabel.values[verdelingen][2] != 'uitgesteld': bsa_voorspelling.append(0) bsa_1_0 = [] for uitslag in range(len(tabel)): if tabel.values[uitslag][2] == 'positief': bsa_1_0.append(1) elif tabel.values[uitslag][2] == 'negatief': bsa_1_0.append(0) from sklearn.metrics import accuracy_score from sklearn.metrics import recall_score from sklearn.metrics import precision_score

daadwerkelijk = pd.Series(bsa_1_0,name='Actual') gok = pd.Series(bsa_voorspelling, name='Predicted') #df_confusion = pd.crosstab(daadwerkelijk,gok) df_confusion = pd.crosstab(daadwerkelijk,gok, rownames=['Actual'], colnames=['Predicted'], margins=True) df_confusion

!pip install pydotplus==2.0.2 #eventueel nodig indien niet reeds geïnstalleerd

def boom(max_diepte): import pandas as pd from sklearn.tree import DecisionTreeClassifier # Import Decision Tree Classifier from sklearn.model_selection import train_test_split # Import train_test_split function from sklearn import metrics #Import scikit-learn metrics module for accuracy calculation from sklearn import tree from sklearn import tree import pydotplus from sklearn.tree import DecisionTreeClassifier import matplotlib.pyplot as plt import matplotlib.image as pltimg #link verloopt 20 juni csv_bestand = 'https://dehaagsehogeschool-my.sharepoint.com/personal/18138926_student_hhs_nl/_layouts/15/download.aspx?e=O5mjLX&share=ERiaCEWj38hGiQWdOkeL9UYBEY6bQdgZqZ2h3bAiUS8g8Q' boom = pd.read_csv(csv_bestand,usecols = [i for i in range(3,23)]) col_names = boom.columns.tolist() boom = boom.fillna(0) boom = boom.astype(int) #gehele getallen van gemaakt anders werkt code niet... feature_cols = col_names[:-4] X = boom[feature_cols] # Features y = boom["MODEL-TH|Modelleren theorie"] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, random_state=10) # 70% training and 30% test clf = DecisionTreeClassifier() clf = clf.fit(X_train,y_train) y_pred = clf.predict(X_test) clf = DecisionTreeClassifier(max_depth=max_diepte) clf = clf.fit(X_train,y_train) y_pred = clf.predict(X_test) data = tree.export_graphviz(clf, out_file=None, feature_names=feature_cols) graph = pydotplus.graph_from_dot_data(data) graph.write_png('mod_boom_' +str(max_diepte) +'_.png') img=pltimg.imread('mod_boom_' +str(max_diepte) +'_.png') imgplot = plt.imshow(img) return ("Nauwkeurigheid:",metrics.accuracy_score(y_test, y_pred), str(max_diepte))

#print bomen en hun nauwkeurigheid for diepte in range(1,12): print(boom(diepte))