Merge pull request 'Лабораторная работа 5' (#237) from orlov_artem_lab_5 into main

Reviewed-on: http://student.git.athene.tech/Alexey/IIS_2023_1/pulls/237

orlov_artem_lab_5/app.py

@@ -0,0 +1,74 @@
+from flask import Flask, render_template, request
+import pandas as pd
+from sklearn.model_selection import train_test_split
+from sklearn.linear_model import Lasso
+from sklearn.preprocessing import OneHotEncoder
+from sklearn.compose import ColumnTransformer
+from sklearn.pipeline import Pipeline
+from sklearn.metrics import mean_squared_error
+import joblib
+
+app = Flask(__name__)
+
+# Загрузка данных
+data = pd.read_csv('top_240_restaurants_recommended_in_los_angeles_2.csv')
+
+# Выбор нужных столбцов
+selected_columns = ['Rank', 'StarRating', 'NumberOfReviews', 'Style']
+data = data[selected_columns]
+
+# Кодирование столбца Style
+encoder = OneHotEncoder(sparse=False)
+encoded_styles = encoder.fit_transform(data[['Style']])
+encoded_styles_df = pd.DataFrame(encoded_styles, columns=encoder.get_feature_names_out(['Style']))
+data = pd.concat([data, encoded_styles_df], axis=1).drop('Style', axis=1)
+
+# Разделение данных
+X = data.drop('Rank', axis=1)
+y = data['Rank']
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
+
+# Обучение модели
+lasso_model = Pipeline([
+    ('lasso', Lasso(alpha=0.1))
+])
+lasso_model.fit(X_train, y_train)
+
+# Сохранение модели
+joblib.dump(lasso_model, 'lasso_model.joblib')
+
+# Загрузка модели
+lasso_model = joblib.load('lasso_model.joblib')
+
+
+@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 = {
+            'StarRating': float(request.form['StarRating']),
+            'NumberOfReviews': int(request.form['NumberOfReviews']),
+            'Style': request.form['Style']
+        }
+
+        # Кодирование стиля
+        input_style_encoded = encoder.transform([[input_data['Style']]])
+        input_data.pop('Style')
+        input_data.update(dict(zip(encoded_styles_df.columns, input_style_encoded[0])))
+
+        # Преобразование данных в DataFrame
+        input_df = pd.DataFrame([input_data])
+
+        # Предсказание
+        prediction = lasso_model.predict(input_df)[0]
+
+        return render_template('index.html', prediction=prediction)
+
+
+if __name__ == '__main__':
+    app.run(debug=True)

orlov_artem_lab_5/readme.md

@@ -0,0 +1,39 @@
+Общее задание:
+Использовать регрессию по варианту для данных из курсовой работы, самостоятельно сформулировав задачу.
+Оценить, насколько хорошо она подходит для решения сформулированной вами задачи.
+
+Задание по вариантам:
+Тема: Анализ данных Top 240 Recommended Restaurants in L.A. 2023
+Ссылка на датасет:
+https://www.kaggle.com/datasets/lorentzyeung/top-240-recommended-restaurants-in-la-2023?resource=download&select=top+240+restaurants+recommanded+in+los+angeles+2.csv
+
+Задача для регрессии: предсказать рейтинг ресторана по их мировому рейтингу, звездному рейтингу, количеству отзывов и стилю
+
+Запуск приложения: запуск файла app.py
+
+Использованные технологии:
+
+Flask: Веб-фреймворк для создания веб-приложений на Python.
+Pandas: Библиотека для обработки и анализа данных.
+Scikit-learn: Библиотека для машинного обучения, в данном случае, используется для реализации алгоритма Лассо-регрессии.
+Joblib: Используется для сохранения и загрузки модели машинного обучения.
+
+Описание работы программы:
+
+Загружаются данные из CSV-файла.
+Выбираются нужные столбцы, и столбец "Style" кодируется с использованием One-Hot Encoding.
+Данные разделяются на обучающий и тестовый наборы.
+Обучается модель Лассо-регрессии.
+Создается веб-приложение с использованием Flask.
+HTML-страница содержит форму для ввода данных о ресторане.
+Пользователь вводит данные (StarRating, NumberOfReviews, Style) и нажимает кнопку "Predict Rating".
+Введенные данные преобразуются, и модель делает предсказание рейтинга ресторана.
+Предсказанный рейтинг отображается на странице.
+
+Пример входных данных:
+StarRating: 4.3
+NumberOfReviews: 2000
+Style: American (New)
+
+Пример выходных данных:
+Предсказанный рейтинг: 3.8 (примерное значение, зависит от обученной модели и введенных данных).

orlov_artem_lab_5/templates/index.html

@@ -0,0 +1,27 @@
+<!DOCTYPE html>
+<html lang="en">
+<head>
+    <meta charset="UTF-8">
+    <meta name="viewport" content="width=device-width, initial-scale=1.0">
+    <title>Restaurant Rating Prediction</title>
+</head>
+<body>
+    <h1>Restaurant Rating Prediction</h1>
+    <form method="post" action="/predict">
+        <label for="StarRating">Star Rating:</label>
+        <input type="number" step="0.1" name="StarRating" required><br>
+
+        <label for="NumberOfReviews">Number of Reviews:</label>
+        <input type="number" name="NumberOfReviews" required><br>
+
+        <label for="Style">Style:</label>
+        <input type="text" name="Style" required><br>
+
+        <button type="submit">Predict Rating</button>
+    </form>
+
+    {% if prediction %}
+        <p>Predicted Rating: {{ prediction }}</p>
+    {% endif %}
+</body>
+</html>