Added automizing for laptops

controllers/controller.py

@@ -62,7 +62,7 @@ def get_unique_laptops():
         raise HTTPException(status_code=400, detail=str(e))
 
 @router.get('/get_unique_data_tv', summary="Get unique data for tvs species")
-def get_unique_laptops():
+def get_unique_tvs():
     try:
         return tv_service.get_unique_data()
     except Exception as e:

services/ml/scripts/modelBuilders/modelBuilderLaptop.py

@@ -10,7 +10,7 @@ import json
 import os
 
 # Шаг 1: Загрузка данных
-df = pd.read_csv('../../../../datasets/laptops.csv')
+df = pd.read_csv('datasets/laptops.csv')
 
 # Шаг 2: Проверка и очистка имен столбцов
 df.columns = df.columns.str.strip().str.lower()
@@ -95,7 +95,7 @@ unique_values = {
 }
 
 # Создание директории, если она не существует
-output_dir = 'columns'
+output_dir = 'services/ml/scripts/modelBuilders/columns'
 os.makedirs(output_dir, exist_ok=True)
 
 with open(os.path.join(output_dir, 'unique_values_laptop.json'), 'w', encoding='utf-8') as f:
@@ -139,18 +139,13 @@ best_model = grid_search.best_estimator_
 
 # Шаг 12: Предсказания и оценка
 y_pred = best_model.predict(X_test)
-mae = mean_absolute_error(y_test, y_pred)
-rmse = mean_squared_error(y_test, y_pred, squared=False)
-r2 = r2_score(y_test, y_pred)
-print(f"Лучшие параметры: {grid_search.best_params_}")
-print(f"Random Forest - MAE: {mae}, RMSE: {rmse}, R²: {r2}")
 
 # Шаг 13: Сохранение модели
 feature_columns = X.columns.tolist()
-joblib.dump(feature_columns, '../../laptopML/feature_columns.pkl')
+joblib.dump(feature_columns, 'services/ml/laptopML/feature_columns.pkl')
-joblib.dump(best_model, '../../laptopML/laptop_price_model.pkl')
+joblib.dump(best_model, 'services/ml/laptopML/laptop_price_model.pkl')
-joblib.dump(poly, '../../laptopML/poly_transformer.pkl')
+joblib.dump(poly, 'services/ml/laptopML/poly_transformer.pkl')
-joblib.dump(scaler, '../../laptopML/scaler.pkl')
+joblib.dump(scaler, 'services/ml/laptopML/scaler.pkl')
 print("Модель, трансформер и скейлер сохранены.")
 
 # Шаг 15: Важность признаков

services/service.py

@@ -1,11 +1,21 @@
+import subprocess
 import pandas as pd
 import joblib
 import json
+import os
 from typing import List, Dict
 from schemas.schemas import LaptopCreate, LaptopResponse, PredictPriceResponse
 
 class LaptopService:
     def __init__(self, model_path: str, feature_columns_path: str, poly_path: str, scaler_path: str):
+        self.script_path = "services/ml/scripts/modelBuilders/modelBuilderLaptop.py"
+
+        # Проверка наличия модели, если её нет — создание
+        if not os.path.exists(model_path) or not os.path.exists(feature_columns_path) or not os.path.exists(poly_path) or not os.path.exists(scaler_path):
+            print("Необходимые файлы модели отсутствуют. Запускаем построение модели...")
+            self.run_model_builder()
+
+        # Загрузка модели и связанных файлов
         try:
             self.model = joblib.load(model_path)
         except FileNotFoundError:
@@ -28,6 +38,29 @@ class LaptopService:
         except Exception as e:
             raise Exception(f"Error loading polynomial transformer or scaler: {str(e)}")
 
+    def run_model_builder(self):
+        # Убедитесь, что путь к скрипту корректен
+        if not os.path.exists(self.script_path):
+            raise FileNotFoundError(f"Скрипт {self.script_path} не найден.")
+
+        try:
+            print(f"Запускаем скрипт {self.script_path} для создания модели...")
+            result = subprocess.run(
+                ['python', self.script_path],
+                stdout=subprocess.PIPE,  # Перенаправляем stdout
+                stderr=subprocess.PIPE,  # Перенаправляем stderr
+                text=True  # Декодируем вывод в текст
+            )
+
+            if result.returncode != 0:
+                raise Exception(f"Ошибка выполнения скрипта: {result.stderr}")
+            else:
+                print("Модель успешно создана.")
+                print(result.stdout)
+
+        except Exception as e:
+            raise Exception(f"Не удалось выполнить скрипт: {str(e)}")
+
     def predict_price(self, data: Dict[str, any]) -> PredictPriceResponse:
         # Преобразование данных в DataFrame
         input_df = pd.DataFrame([data])