Alexey/IIS_2023_1
4
3
Fork 1
Code Issues Pull Requests 5 Packages Projects Releases Wiki Activity

Merge pull request 'zhukova_alina_lab_3 is ready' (#158) from zhukova_alina_lab_3 into main

Browse Source 
Reviewed-on: http://student.git.athene.tech/Alexey/IIS_2023_1/pulls/158
This commit is contained in:
Alexey 2023-12-05 23:21:56 +04:00
commit d734997760
5 changed files with 20193 additions and 0 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

20059
zhukova_alina_lab_3/Data_chess_games.csv Normal file
View File

File diff suppressed because it is too large Load Diff

93
zhukova_alina_lab_3/flask-server.py Normal file
View File

@ -0,0 +1,93 @@
import pandas
from flask import Flask
from sklearn.metrics import accuracy_score
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
app = Flask(__name__)
@app.route("/")
def home():
return "<html>" \
"<h1>Жукова Алина ПИбд-41</h1>" \
"<h1>Лабораторная работа №3</h1>" \
"<table>" \
"<td>" \
"<form Action='http://127.0.0.1:5000/k4_1_task_3' Method=get>" \
"<input type=submit value='Дерево решений'>" \
"</form>" \
"</td>" \
"</table>" \
"</html>"
# Деревья решений
# 3.2 Решите задачу классификации
# (с помощью дерева решений), в которой по различным характеристикам
# пассажиров требуется найти у выживших пассажиров два наиболее важных
# признака из трех рассматриваемых (Name, Cabin,Embarked)
# 3.2
#
#
@app.route("/k4_1_task_3", methods=['GET'])
def k4_1_task_3():
data = pandas.read_csv('Data_chess_games.csv', index_col='id')
data = data.sample(n=5000, replace=True, random_state=1)
# отбор нужных столбцов
corr = data[['rated', 'turns', 'increment_code', 'white_rating', 'black_rating', 'opening_ply',
'created_at', 'last_move_at', 'white_id', 'black_id']]
# Добавление времени игры
corr['time_game'] = corr['last_move_at'] - corr['created_at']
def new_code(code):
return (int(code.split("+")[0]) * 100) + int(code.split("+")[1])
corr['n_increment_code'] = corr['increment_code'].apply(new_code)
def strToint(elem):
it_i = 0
for ch in elem:
it_i += ord(ch)
return 2500 - it_i
corr['n_white_id'] = corr['white_id'].apply(strToint)
corr['n_black_id'] = corr['black_id'].apply(strToint)
corr = corr[['white_rating', 'black_rating', 'n_white_id', 'n_black_id']]
# определение целевой переменной
y = data['victory_status']
X_train, X_test, y_train, y_test = train_test_split(corr, y, test_size=.01, random_state=42)
# создание и обучение дерева решений
clf = DecisionTreeClassifier(random_state=241)
clf.fit(X_train, y_train)
prediction = clf.predict(X_test)
accuracy = str(accuracy_score(y_test, prediction))
# получение и распечатка важностей признаков
importances = clf.feature_importances_
data = {}
ind = 0
st = []
for el in importances:
st.append(el)
ind += 1
data["Важность"] = st
df = pandas.DataFrame(data, index=corr.columns)
return "<html>" \
"<h1>Деревья решений</h1>" \
"<h2>Вариант 10. Задание 3.2</h2>" \
"<h2>Данные об исходе шахматных партий. Необходимо определить исход партии (поставлен мат, кончилось время, соперник сдался, ничья)</h2>" \
"<h2>Выбраны признаки: Рейтинг игрока за белых, рейтинг игрока за черных, id игроков</h2>" \
"<h2>Важность признаков: </h2>" \
"<div>" + df.to_html() + "</div>" \
"<h2>Точность предсказания: " + str(accuracy) + "</h2>" \
"</html>"
if __name__ == "__main__":
app.run(debug=True)

BIN
zhukova_alina_lab_3/img_screen_1.png Normal file
View File

Binary file not shown.
Side by Side

After

Width:  |  Height:  |  Size: 34 KiB

BIN
zhukova_alina_lab_3/img_screen_2.png Normal file
View File

Binary file not shown.
Side by Side

After

Width:  |  Height:  |  Size: 30 KiB

41
zhukova_alina_lab_3/readme.md Normal file
View File

@ -0,0 +1,41 @@
## Задание
Решите с помощью библиотечной реализации дерева решений
задачу классификации на 99% данных.
Проверить работу модели на оставшемся проценте, сделать вывод
Вариант №10
## Используемые технологии
В лабораторной были использованы библиотеки:
+ pandas - позволяет работать с наборами данных
+ sklearn - используется для работы с моделями и методами машинного обучения
+ Flask - предоставляет способ быстрого создания веб-страниц для визуализации работы приложения
## Используемые компоненты
+ DecisionTreeClassifier - библиотечная реализация дерева решений
## Как запустить
Запустить файл flask-server, который поднимет локальный сервер
и позволит обратиться к программе через браузер по ссылке [http://127.0.0.1:5000/](http://127.0.0.1:5000/)
## Что делает программа
Берет 5000 записей из датасета (датасет Chess Game Dataset
[https://www.kaggle.com/datasets/datasnaek/chess](https://www.kaggle.com/datasets/datasnaek/chess)),
обучает модель DecisionTreeClassifier на 99% данных.
После этого модель проверяется на тестовой выборке данных.
Программа выводит важности признаков в виде таблицы, а также итоговую точность модели
## Скриншоты работы программы
Полученные оценки значимости признаков и точность модели
![img.png](img_screen_1.png)
Был проведен анализ, и на изначально выбранных признаках максимальная точность
модели составила 0.56, что означает, что выбранные признаки слабо коррелируют
с исходом игры
В связи с этим к модели были добавлены ники игроков (id) и убраны
некоторые другие признаки, для того чтобы повысить качество работы модели
Итоговые оценки значимости и точность модели
![img.png](img_screen_2.png)