84 lines
3.9 KiB
Python
84 lines
3.9 KiB
Python
from flask import Flask, render_template, request, jsonify
|
||
import pandas as pd
|
||
from sklearn.tree import DecisionTreeClassifier
|
||
from sklearn.model_selection import train_test_split
|
||
from sklearn.metrics import accuracy_score
|
||
|
||
app = Flask(__name__)
|
||
|
||
# Загрузите данные из файлов
|
||
games_data = pd.read_csv("games.csv")
|
||
open_critic_data = pd.read_csv("open_critic.csv")
|
||
|
||
# Объедините данные
|
||
merged_data = games_data.merge(open_critic_data, left_on="id", right_on="game_id", how="inner")
|
||
|
||
# Создайте целевую переменную (успешность игры)
|
||
merged_data["Success"] = merged_data["rating"].apply(lambda x: 1 if x > 70 else 0)
|
||
|
||
# Преобразуйте столбец "release_date" в формат Unix-времени с корректной обработкой временных зон
|
||
merged_data["release_date"] = pd.to_datetime(merged_data["release_date"], utc=True).astype('int64') // 10**9
|
||
|
||
# Преобразуйте жанры в бинарные признаки (one-hot encoding)
|
||
genres_encoded = merged_data['genres'].str.get_dummies(sep=',')
|
||
merged_data = pd.concat([merged_data, genres_encoded], axis=1)
|
||
merged_data.drop('genres', axis=1, inplace=True)
|
||
|
||
# Определите признаки и целевую переменную
|
||
features = ["price", "release_date"] + list(genres_encoded.columns)
|
||
X = merged_data[features]
|
||
y = merged_data["Success"]
|
||
|
||
# Разделите данные на обучающий и тестовый наборы
|
||
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.01, random_state=42)
|
||
|
||
# Создайте и обучите модель дерева решений
|
||
model = DecisionTreeClassifier()
|
||
model.fit(X_train, y_train)
|
||
|
||
# Оцените модель на тестовом наборе данных
|
||
y_pred = model.predict(X_test)
|
||
accuracy = accuracy_score(y_test, y_pred)
|
||
|
||
# Получите важности признаков
|
||
feature_importances = model.feature_importances_
|
||
|
||
@app.route("/", methods=["GET", "POST"])
|
||
def index():
|
||
if request.method == "POST":
|
||
# Получите данные из запроса
|
||
price = float(request.form["price"])
|
||
release_date = pd.to_datetime(request.form["release_date"], utc=True)
|
||
|
||
# Получите бинарные признаки жанров на основе введенных данных
|
||
genres_input = request.form["genres"]
|
||
genres_encoded_input = pd.DataFrame(genres_input.split(','), columns=["genre"])
|
||
genres_encoded_input = genres_encoded_input['genre'].str.get_dummies()
|
||
|
||
# Создайте пустой DataFrame с теми же признаками, что и X_train
|
||
input_data = pd.DataFrame(columns=X_train.columns)
|
||
|
||
# Заполните введенные данные
|
||
input_data["price"] = [price]
|
||
|
||
# Преобразуйте дату релиза в Unix-время
|
||
release_date_unix = release_date.timestamp()
|
||
input_data["release_date"] = [release_date_unix]
|
||
|
||
# Заполните one-hot закодированные жанры
|
||
for genre in genres_encoded_input.columns:
|
||
input_data[genre] = genres_encoded_input[genre].values
|
||
|
||
# Выполните классификацию игры
|
||
prediction = model.predict(input_data)[0]
|
||
|
||
# Определите результат
|
||
result = "Успешная" if prediction == 1 else "Неуспешная"
|
||
|
||
return render_template("index.html", accuracy=accuracy, success_count=sum(y_test), failure_count=len(y_test) - sum(y_test), feature_importances=feature_importances, prediction_result=result)
|
||
|
||
return render_template("index.html", accuracy=accuracy, success_count=sum(y_test), failure_count=len(y_test) - sum(y_test), feature_importances=feature_importances)
|
||
|
||
if __name__ == "__main__":
|
||
app.run(host="localhost", port=5000)
|