Create app.py

app.py

@@ -0,0 +1,64 @@
+import streamlit as st
+import pandas as pd
+import numpy as np
+from sklearn.preprocessing import StandardScaler
+import pickle
+import joblib
+
+# Загрузка сохраненной модели и других необходимых объектов
+@st.cache_resource
+def load_model():
+    model = joblib.load('model.joblib')
+    scaler = joblib.load('scaler.joblib')
+    feature_list = joblib.load('features.joblib')
+    return model, scaler, feature_list
+
+model, scaler, feature_list = load_model()
+
+st.title('Классификатор пациентов')
+
+# Создание формы ввода для всех необходимых признаков
+def get_user_input():
+    input_data = {}
+    
+    # Числовые признаки
+    st.subheader('Числовые параметры')
+    for feature in feature_list:
+        if feature not in categorical_features:  # список категориальных признаков нужно определить
+            input_data[feature] = st.number_input(f'{feature}', value=0.0)
+    
+    # Категориальные признаки
+    st.subheader('Категориальные параметры')
+    for feature in feature_list:
+        if feature in categorical_features:  # список категориальных признаков
+            options = categorical_options[feature]  # словарь с возможными значениями для каждого признака
+            input_data[feature] = st.selectbox(f'{feature}', options)
+    
+    return input_data
+
+# Получение данных от пользователя
+user_input = get_user_input()
+
+# Кнопка для выполнения предсказания
+if st.button('Выполнить классификацию'):
+    # Преобразование входных данных
+    input_df = pd.DataFrame([user_input])
+    
+    # One-hot encoding для категориальных признаков
+    input_df_encoded = pd.get_dummies(input_df, columns=categorical_features)
+    
+    # Убедитесь, что все необходимые столбцы присутствуют
+    for col in feature_list:
+        if col not in input_df_encoded.columns:
+            input_df_encoded[col] = 0
+    
+    # Масштабирование числовых признаков
+    numeric_cols = [col for col in input_df_encoded.columns if col not in categorical_features]
+    input_df_encoded[numeric_cols] = scaler.transform(input_df_encoded[numeric_cols])
+    
+    # Получение предсказания
+    prediction = model.predict(input_df_encoded[feature_list])
+    
+    # Отображение результата
+    group_names = {0: 'контр', 1: 'топирамат', 2: 'леветирацетам'}
+    st.success(f'Предсказанная группа: {group_names[prediction[0]]}')