volkov_rafael_lab_6 is done

volkov_rafael_lab_6/app.py

@@ -0,0 +1,77 @@
+from flask import Flask, render_template, request
+import pandas as pd
+from sklearn.model_selection import train_test_split
+from sklearn.preprocessing import StandardScaler
+from sklearn.neural_network import MLPRegressor
+from sklearn.pipeline import Pipeline
+import joblib
+
+app = Flask(__name__)
+
+# Загрузка данных
+data_bgg = pd.read_csv("bgg_dataset.csv", delimiter=";")
+
+# Выбор нужных столбцов
+selected_columns_bgg = ['Year Published', 'Users Rated', 'Rating Average', 'BGG Rank', 'Owned Users', 'Complexity Average']
+features = data_bgg[selected_columns_bgg]
+
+# Замена запятых на точки в столбцах 'Rating Average' и 'Complexity Average'
+features['Rating Average'] = features['Rating Average'].str.replace(',', '.').astype(float)
+features['Complexity Average'] = features['Complexity Average'].str.replace(',', '.').astype(float)
+
+# Замена пропущенных значений средними значениями по столбцам
+features = features.fillna(features.mean())
+
+# Разделение данных
+X_bgg = features.drop('Rating Average', axis=1)
+y_bgg = features['Rating Average']
+X_train_bgg, X_test_bgg, y_train_bgg, y_test_bgg = train_test_split(X_bgg, y_bgg, test_size=0.2, random_state=42)
+
+# Масштабирование данных
+scaler = StandardScaler()
+X_train_bgg_scaled = scaler.fit_transform(X_train_bgg)
+X_test_bgg_scaled = scaler.transform(X_test_bgg)
+
+# Обучение модели нейронной сети
+mlp_regressor_model = Pipeline([
+    ('scaler', StandardScaler()),
+    ('mlp_regressor', MLPRegressor(hidden_layer_sizes=(100, 50), max_iter=2000, random_state=42))
+])
+mlp_regressor_model.fit(X_train_bgg_scaled, y_train_bgg)
+
+# Сохранение модели
+joblib.dump(mlp_regressor_model, 'mlp_regressor_model.joblib')
+
+# Загрузка модели
+mlp_regressor_model = joblib.load('mlp_regressor_model.joblib')
+
+# Обновление маршрута для предсказания
+@app.route('/')
+def index():
+    return render_template('index.html')
+
+@app.route('/predict', methods=['POST'])
+def predict():
+    if request.method == 'POST':
+        # Получение данных из формы
+        input_data_bgg = {
+            'Year Published': int(request.form['Year Published']),
+            'Users Rated': int(request.form['Users Rated']),
+            'BGG Rank': int(request.form['BGG Rank']),
+            'Owned Users': int(request.form['Owned Users']),
+            'Complexity Average': float(request.form['Complexity Average'])
+        }
+
+        # Преобразование данных в DataFrame
+        input_df_bgg = pd.DataFrame([input_data_bgg])
+
+        # Масштабирование входных данных
+        input_data_scaled = scaler.transform(input_df_bgg)
+
+        # Предсказание
+        prediction_bgg = mlp_regressor_model.predict(input_data_scaled)[0]
+
+        return render_template('index.html', prediction_bgg=prediction_bgg)
+
+if __name__ == '__main__':
+    app.run(debug=True)

volkov_rafael_lab_6/readme.md

@@ -0,0 +1,37 @@
+Общее задание:
+Использовать нейронную сеть (четные варианты – MLPRegressor, нечетные – MLPClassifier) для данных из датасета выбранного для курсовой работы, самостоятельно сформулировав задачу. Интерпретировать результаты и оценить, насколько хорошо она подходит для решения сформулированной вами задачи.
+
+Задание по вариантам:
+модель MLPRegressor
+Датасет: Board Games
+Ссылки:
+https://www.kaggle.com/datasets/andrewmvd/board-games
+
+Задача для нейронной сети:
+предсказание рейтинга игры на основе характеристик: 'Year Published', 'Users Rated', 'Rating Average', 'BGG Rank', 'Owned Users', 'Complexity Average'
+
+Запуск через файл app.py
+
+Технологии:
+
+Flask: фреймворк для создания веб-приложений на языке Python.
+Pandas: библиотека для работы с данными и анализа данных.
+scikit-learn: библиотека для машинного обучения.
+Описание работы программы:
+
+Программа представляет собой веб-приложение с использованием Flask.
+Загружает данные из CSV-файла, обрабатывает их (заменяет запятые на точки, заполняет пропущенные значения средними) и разделяет на обучающий и тестовый наборы.
+Обучает модель (линейная регрессия или нейронная сеть) на основе выбранных признаков.
+Пользователь вводит данные через веб-форму (Year Published, Users Rated, BGG Rank, Owned Users, Complexity Average).
+Программа использует обученную модель для предсказания Rating Average на основе введенных данных.
+Предсказанное значение выводится пользователю на веб-странице.
+Входные данные (вводимые пользователем через веб-форму):
+
+Year Published (год публикации игры).
+Users Rated (количество пользователей, оценивших игру).
+BGG Rank (рейтинг игры на BoardGameGeek).
+Owned Users (количество пользователей, которые владеют игрой).
+Complexity Average (средняя сложность игры).
+Выходные данные:
+
+Прогнозируемое значение Rating Average для введенных пользователем данных.

volkov_rafael_lab_6/templates/index.html

@@ -0,0 +1,36 @@
+<!DOCTYPE html>
+<html lang="en">
+<head>
+    <meta charset="UTF-8">
+    <meta name="viewport" content="width=device-width, initial-scale=1.0">
+    <title>Board Game Rating Prediction</title>
+</head>
+<body>
+    <h1>Board Game Rating Prediction</h1>
+
+    <!-- Форма для ввода данных -->
+    <form method="post" action="/predict">
+        <label for="Year Published">Year Published:</label>
+        <input type="number" name="Year Published" required><br>
+
+        <label for="Users Rated">Users Rated:</label>
+        <input type="number" name="Users Rated" required><br>
+
+        <label for="BGG Rank">BGG Rank:</label>
+        <input type="number" name="BGG Rank" required><br>
+
+        <label for="Owned Users">Owned Users:</label>
+        <input type="number" name="Owned Users" required><br>
+
+        <label for="Complexity Average">Complexity Average:</label>
+        <input type="number" step="0.01" name="Complexity Average" required><br>
+
+        <button type="submit">Predict Rating Average</button>
+    </form>
+
+    <!-- Отображение предсказания -->
+    {% if prediction_bgg %}
+        <p>Predicted Rating Average: {{ prediction_bgg }}</p>
+    {% endif %}
+</body>
+</html>