---
library_name: scikit-learn
tags:
- sklearn
- titanic
---

# Zmienne użyte w modelu
- Pclass (Passenger Class): Klasa biletu, która jest również wyznacznikiem statusu socjoekonomicznego.
    - 1 = 1. klasa (Upper)
    - 2 = 2. klasa (Middle)
    - 3 = 3. klasa (Lower)
- Sex: Płeć pasażera (male – mężczyzna, female – kobieta).
- Age: Wiek w latach. Jeśli wiek jest mniejszy niż 1, jest podany jako ułamek (np. 0.5).
- SibSp (Siblings/Spouses): Liczba rodzeństwa (brother, sister, stepbrother, stepsister) lub małżonków (husband, wife) na pokładzie.
- Parch (Parents/Children): Liczba rodziców (mother, father) lub dzieci (daughter, son, stepdaughter, stepson) na pokładzie. Niektóre dzieci podróżowały tylko z nianią, więc miały wartość 0.
- Fare: Opłata za bilet (cena w funtach brytyjskich).
- Embarked: Port zaokrętowania, czyli miejsce, w którym pasażer wsiadł na statek:
  - C = Cherbourg 
  - Q = Queenstown 
  - S = Southampton
  
Przykład użycia modelu:

```python
import joblib
import pandas as pd
from huggingface_hub import hf_hub_download
import numpy as np

repo_id = "studentscolab/titanic"

model_path = hf_hub_download(repo_id=repo_id, filename="model.joblib")
model = joblib.load(model_path)

sample_data = pd.DataFrame([
    {'Pclass': 3, 'Sex': 'male', 'Age': 25, 'SibSp': 0, 'Parch': 0, 'Fare': 7.5, 'Embarked': 'S'},
    {'Pclass': 1, 'Sex': 'female', 'Age': 35, 'SibSp': 1, 'Parch': 0, 'Fare': 1.5, 'Embarked': 'S'}
])
np.set_printoptions(precision=10, suppress=True)

print(sample_data)

prediction = model.predict(sample_data)

for p in prediction:
    print(f"Prognoza dla danych próbnych [{p}]: {'przeżył' if prediction[p] == 1 else 'nie przeżył'}")
```