| .. | ||
| templates | ||
| app.py | ||
| bgg_dataset.csv | ||
| readme.md | ||
Общее задание: Решите с помощью библиотечной реализации дерева решений задачу из лабораторной работы «Веб-сервис «Дерево решений» по предмету «Методы искусственного интеллекта» на 99% ваших данных. Проверьте работу модели на оставшемся проценте, сделайте вывод.
Задание по вариантам: Датасет: Board Games Ссылки: https://www.kaggle.com/datasets/andrewmvd/board-games
Задача для древа решений:
Классифицировать игры на игры с высокой и низкой оценкой на основе их характеристик. Признаки: Year Published Users Rated BGG Rank Owned Users Complexity Average Целевая переменная: Успех игры (Высокая оценка/Низкая оценка), если Rating Average > 7.5, то высокая оценка.
Запуск через файл app.py
Технологии:
Flask: Фреймворк для веб-приложений на языке программирования Python. Pandas: Библиотека для обработки и анализа данных. scikit-learn: Библиотека для машинного обучения в Python. Описание работы программы:
Программа представляет собой веб-приложение, использующее машинное обучение для классификации на основе данных об играх на сайте BoardGameGeek (BGG). Она загружает данные из CSV-файла, предобрабатывает их, обучает модель дерева решений на основе выбранных признаков (год выпуска, количество оценок пользователей, рейтинг BGG и другие), а затем предоставляет интерфейс для ввода данных о новой игре и получения предсказания о ее "успешности" (высокий или низкий рейтинг).
Входные данные:
Год выпуска игры. Количество оценивших игру. Рейтинг BGG игры. Ранг BGG игры. Количество владельцев игры. Средняя сложность игры. Выходные данные:
Классификация игры: "Высокая оценка" или "Низкая оценка". Дополнительная информация: Точность модели, количество игр с высокой и низкой оценкой, важность признаков.