Download src/preProcess.py from AdryanAzul/Football-Match-Prediction: direct link, hf CLI and curl.
- Browser
- Download file 3.92 kB
-
https://huggingface.co/AdryanAzul/Football-Match-Prediction/resolve/main/src/preProcess.py
- Command line
-
hf download hf://AdryanAzul/Football-Match-Prediction/src/preProcess.py
-
curl -L -o preProcess.py https://huggingface.co/AdryanAzul/Football-Match-Prediction/resolve/main/src/preProcess.py
3.92 kB
| import pandas as pd | |
| from sklearn.model_selection import cross_val_score | |
| from sklearn.pipeline import Pipeline | |
| from sklearn.preprocessing import StandardScaler | |
| from sklearn.ensemble import RandomForestClassifier, HistGradientBoostingClassifier | |
| from sklearn.metrics import classification_report | |
| import joblib | |
| try: | |
| import xgboost as xgb | |
| HAS_XGBOOST = True | |
| except ImportError: | |
| HAS_XGBOOST = False | |
| print("--- INICIANDO PARTE 2: PRÉ-PROCESSAMENTO E MODELAGEM ---") | |
| # 1. Carregando os dados | |
| try: | |
| df_final = pd.read_csv('dados_preparados.csv') | |
| except FileNotFoundError: | |
| print("ERRO: Arquivo 'dados_preparados.csv' não encontrado. Rode a Parte 1 (extract.py) primeiro.") | |
| raise SystemExit(1) | |
| # 2. Pré-processamento | |
| df_clean = df_final.dropna().copy() | |
| df_clean = df_clean.sort_values('date').reset_index(drop=True) | |
| print(f"Total de partidas antes da limpeza: {len(df_final)}") | |
| print(f"Total de partidas após limpeza (sem nulos): {len(df_clean)}") | |
| # Separar Features (X) e Target (y) | |
| # NOTA: Selecionamos apenas as métricas de habilidade e histórico. | |
| # As colunas 'season' e 'league_id' ficam de fora do treino. | |
| features = ['home_overall_rating', 'away_overall_rating', 'hist_goal_diff'] | |
| # 3. Divisão Temporal de Treino e Teste (evita vazamento da temporada 2015/2016 usada na simulação) | |
| TEMPORADA_SIMULACAO = '2015/2016' | |
| df_train = df_clean[df_clean['season'] < TEMPORADA_SIMULACAO] | |
| df_test = df_clean[df_clean['season'] >= TEMPORADA_SIMULACAO] | |
| X_train, y_train = df_train[features], df_train['target'] | |
| X_test, y_test = df_test[features], df_test['target'] | |
| print(f"Partidas de treino (temporadas < {TEMPORADA_SIMULACAO}): {len(X_train)}") | |
| print(f"Partidas de teste (temporadas >= {TEMPORADA_SIMULACAO}): {len(X_test)}") | |
| # Escalonamento ajustado APENAS no conjunto de treino (evita data leakage) | |
| scaler = StandardScaler() | |
| X_train_scaled = scaler.fit_transform(X_train) | |
| X_test_scaled = scaler.transform(X_test) | |
| # 4. Treinamento e Avaliação: Random Forest | |
| print("\nTreinando Random Forest...") | |
| rf_pipeline = Pipeline([ | |
| ('scaler', StandardScaler()), | |
| ('clf', RandomForestClassifier(n_estimators=100, max_depth=5, random_state=42)), | |
| ]) | |
| # Validação Cruzada sem vazamento no conjunto de treino | |
| cv_scores = cross_val_score(rf_pipeline, X_train, y_train, cv=5, scoring='accuracy') | |
| print(f"Acurácia na Validação Cruzada (RF - Treino): {cv_scores.mean():.4f} (+/- {cv_scores.std() * 2:.4f})") | |
| # Ajuste final e predição no conjunto de teste | |
| rf_model = RandomForestClassifier(n_estimators=100, max_depth=5, random_state=42) | |
| rf_model.fit(X_train_scaled, y_train) | |
| y_pred_rf = rf_model.predict(X_test_scaled) | |
| print("\nRelatório de Classificação (Random Forest - Teste):") | |
| # zero_division=0 oculta os warnings caso o modelo não preveja alguma classe | |
| print(classification_report(y_test, y_pred_rf, zero_division=0)) | |
| # 5. Treinamento e Avaliação: Boosting (XGBoost se disponível, senão HistGradientBoosting) | |
| if HAS_XGBOOST: | |
| print("\nTreinando XGBoost...") | |
| boost_model = xgb.XGBClassifier( | |
| eval_metric='mlogloss', | |
| random_state=42, | |
| ) | |
| boost_name = "XGBoost" | |
| else: | |
| print("\nXGBoost não instalado; treinando HistGradientBoostingClassifier (scikit-learn)...") | |
| boost_model = HistGradientBoostingClassifier(random_state=42) | |
| boost_name = "HistGradientBoosting" | |
| boost_model.fit(X_train_scaled, y_train) | |
| y_pred_boost = boost_model.predict(X_test_scaled) | |
| print(f"\nRelatório de Classificação ({boost_name} - Teste):") | |
| print(classification_report(y_test, y_pred_boost, zero_division=0)) | |
| # 6. Salvando os artefatos para a Parte 3 | |
| print("\nSalvando o modelo e o escalonador para uso na Simulação...") | |
| joblib.dump(rf_model, 'modelo_rf.pkl') | |
| joblib.dump(scaler, 'scaler.pkl') | |
| print("Arquivos 'modelo_rf.pkl' e 'scaler.pkl' gerados com sucesso!") |