| .. | ||
| templates | ||
| app.py | ||
| readme.md | ||
| top_240_restaurants_recommended_in_los_angeles_2.csv | ||
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).