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:
алгоритм Логистическая регрессия
Датасет: Board Games
Ссылки:
https://www.kaggle.com/datasets/andrewmvd/board-games

Задача для регрессии: предсказать будет ли рейтинг игры выше среднего или ниже на основе характеристик: 'Year Published', 'Users Rated', 'Rating Average', 'BGG Rank', 'Owned Users', 'Complexity Average'

Запуск через файл app.py

Программа использует следующие технологии:

Flask: для создания веб-приложения.
pandas: для работы с данными в формате CSV.
scikit-learn: для обучения и использования моделей машинного обучения (Linear Regression и Logistic Regression).
joblib: для сохранения и загрузки обученных моделей.
Описание работы программы:

Программа загружает данные из файла "bgg_dataset.csv", используя библиотеку pandas.
Выбираются нужные столбцы: 'Year Published', 'Users Rated', 'Rating Average', 'BGG Rank', 'Owned Users', 'Complexity Average'.
Производится замена запятых на точки в столбцах 'Rating Average' и 'Complexity Average'.
Пропущенные значения в данных заменяются средними значениями по соответствующим столбцам.
Данные разделяются на обучающий и тестовый наборы.
Создается и обучается модель (линейной или логистической регрессии) с использованием scikit-learn и сохраняется в файле.
Веб-приложение на Flask запускается локально.
Пользователь взаимодействует с веб-формой, вводя параметры игры (Year Published, Users Rated, BGG Rank, Owned Users, Complexity Average).
Введенные данные передаются в обученную модель, которая делает предсказание.
Предсказание выводится на веб-странице.
Входные данные: параметры игры (Year Published, Users Rated, BGG Rank, Owned Users, Complexity Average) через веб-форму.

Выходные данные: предсказание (например, классификация игры как "выше среднего"(1) или "ниже среднего"(0)) на веб-странице.