✨ Test

README.md

@@ -1,17 +0,0 @@
-# LISTE DES VISUALISATIONS A PREVOIR
-
-**Taux de victoire par méthode de finition** : Analyser la fréquence à laquelle les combats se terminent par soumission, KO, décision unanime, décision partagée, etc
-
-**Durée moyenne des combats** : Calculer la durée moyenne des combats pour différentes catégories de poids ou pour l'ensemble de l'UFC
-
-**Taux de réussite des takedowns** : Examiner le pourcentage de tentatives de takedown réussies par les combattants
-
-**Taux de réussite des frappes** : Analyser le pourcentage de coups réussis par rapport au nombre total de coups tentés
-
-**Distribution des finitions par round** : Déterminer dans quel round les combats sont le plus souvent terminés (par exemple, soumission au premier round, KO au deuxième round, etc.)
-
-**Variation des performances avec l'âge** : Vérifier s'il existe une corrélation entre l'âge des combattants et leur succès dans l'UFC
-
-![LE DARON À ZAK](https://upload.wikimedia.org/wikipedia/commons/e/ec/Dana_White_-_London_2015_%28cropped%29.jpg)
-
-# DANA CACA WHITE

mmix.py

@@ -1,59 +0,0 @@
-import pandas as pd
-import numpy as np
-import matplotlib.pyplot as plt
-from sklearn.tree import DecisionTreeClassifier
-from sklearn.metrics import accuracy_score, confusion_matrix
-from sklearn import metrics
-from sklearn.model_selection import train_test_split
-
-
-dataframe = pd.read_csv("archive/data.csv")
-
-# Change bool values to int (0/1)
-dataframe = dataframe.rename(columns={'Winner': 'Blue_Corner_Win'})
-dataframe['Blue_Corner_Win'] = (dataframe['Blue_Corner_Win'] == 'Blue').astype(int)
-dataframe['title_bout'] = dataframe['title_bout'].astype(int)
-
-# Select datas for Yi (blue corner win ?) and columns for stat
-Yi = dataframe[["Blue_Corner_Win"]]
-colonnes = ['B_avg_BODY_landed', 'B_avg_HEAD_landed', 'B_avg_TD_att', 'B_avg_TOTAL_STR_landed', 
-                   'B_avg_opp_BODY_att', 'B_avg_opp_HEAD_landed', 'B_avg_opp_LEG_landed', 
-                   'B_avg_opp_SIG_STR_att', 'B_avg_opp_TOTAL_STR_att', 'R_avg_TD_att', 'R_avg_opp_GROUND_att', 
-                   'R_avg_opp_SIG_STR_landed', 'B_age', 'R_age']
-                   
-Xi = dataframe[colonnes]
-
-Xtrain, Xtest, ytrain, ytest = train_test_split(Xi, Yi,test_size=0.20, random_state=42)
-print(Xtrain.shape)
-print(Xtest.shape)
-
-Arbre_decision = DecisionTreeClassifier(random_state=0, max_depth=20)
-clf = Arbre_decision.fit(Xtrain, Yi)
-
-ypredict = clf.predict(Xtest)
-accuracy = accuracy_score(ytest, ypredict)
-matriceConfusion = confusion_matrix(ytest, ypredict)
-
-incorrect=matriceConfusion[0][1] + matriceConfusion[1][0]
-total = matriceConfusion.sum()
-
-print("\nNumber of incorrect classifications: " + str(incorrect))
-print("Number of classifications total: " + str(total))
-
-print("Percent: "+ str((total-incorrect)/total*100))
-
-fighter_data = dataframe[dataframe['R_fighter'] == 'Adrian Yanez']
-average_fighter_data = fighter_data[colonnes].mean()
-
-fighter_data_2 = dataframe[dataframe['R_fighter'] == 'Gustavo Lopez']
-average_fighter_data_2 = fighter_data_2[colonnes].mean()
-
-combined_features = pd.concat([average_fighter_data, average_fighter_data_2])
-
-prediction = clf.predict([combined_features])
-if prediction[0] == 1:
-    winner = "Blue Corner"
-else:
-    winner = "Red Corner"
-
-print(f"The predicted winner is: {winner}")