| .. | ||
| templates | ||
| app.py | ||
| bgg_dataset.csv | ||
| mlp_regressor_model.joblib | ||
| readme.md | ||
Общее задание: Использовать нейронную сеть (четные варианты – MLPRegressor, нечетные – MLPClassifier) для данных из датасета выбранного для курсовой работы, самостоятельно сформулировав задачу. Интерпретировать результаты и оценить, насколько хорошо она подходит для решения сформулированной вами задачи.
Задание по вариантам: модель MLPRegressor Датасет: Board Games Ссылки: https://www.kaggle.com/datasets/andrewmvd/board-games
Задача для нейронной сети: предсказание рейтинга игры на основе характеристик: 'Year Published', 'Users Rated', 'Rating Average', 'BGG Rank', 'Owned Users', 'Complexity Average'
Запуск через файл app.py
Технологии:
Flask: фреймворк для создания веб-приложений на языке Python. Pandas: библиотека для работы с данными и анализа данных. scikit-learn: библиотека для машинного обучения. Описание работы программы:
Программа представляет собой веб-приложение с использованием Flask. Загружает данные из CSV-файла, обрабатывает их (заменяет запятые на точки, заполняет пропущенные значения средними) и разделяет на обучающий и тестовый наборы. Обучает модель (линейная регрессия или нейронная сеть) на основе выбранных признаков. Пользователь вводит данные через веб-форму (Year Published, Users Rated, BGG Rank, Owned Users, Complexity Average). Программа использует обученную модель для предсказания Rating Average на основе введенных данных. Предсказанное значение выводится пользователю на веб-странице. Входные данные (вводимые пользователем через веб-форму):
Year Published (год публикации игры). Users Rated (количество пользователей, оценивших игру). BGG Rank (рейтинг игры на BoardGameGeek). Owned Users (количество пользователей, которые владеют игрой). Complexity Average (средняя сложность игры). Выходные данные:
Прогнозируемое значение Rating Average для введенных пользователем данных.