Upload 3 files

.gitattributes

@@ -33,3 +33,5 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+Dataset/car_data.txt filter=lfs diff=lfs merge=lfs -text
+Model/best_model.cbm filter=lfs diff=lfs merge=lfs -text

Dataset/car_data.txt

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:2560eddc941d8dfab12fcb799a2dd0c404fad1b5f935adba2cd31b446c6a778a
+size 416196324

Model/best_model.cbm

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:0333c6228cd40fb720629193dda968f91bd3a9ab2be8cae4755e931990db2c42
+size 108454744

app.py

@@ -0,0 +1,63 @@
+import streamlit as st
+import pandas as pd
+import shap
+from catboost import CatBoostRegressor
+
+# Загрузка модели
+final_model = CatBoostRegressor()
+final_model.load_model('/home/svetlana/Bootcamp/ds-phase-3/NYtrain/best_model.cbm')
+
+# Загрузка данных для предобработки
+df = pd.read_csv('/home/svetlana/Bootcamp/ds-phase-3/NYtrain/car_data.txt', sep=',')
+
+# Получаем уникальные бренды и их модели
+unique_brands = df['brand'].unique()
+brand_model_mapping = {brand: df[df['brand'] == brand]['model'].unique() for brand in unique_brands}
+
+# Заголовок приложения
+st.title("Прогнозирование цены автомобиля")
+
+# Создаем окошки для ввода параметров
+inputs = {}
+
+# Выбор бренда
+selected_brand = st.selectbox("Выберите бренд авто", unique_brands)
+
+# Выбор модели в зависимости от бренда
+selected_model = st.selectbox("Выберите модель авто", brand_model_mapping[selected_brand])
+
+inputs['brand'] = selected_brand
+inputs['model'] = selected_model
+
+# Получаем категориальные столбцы из вашего DataFrame
+categorical_columns = ['brand', 'model', 'поколение', 'тип продавца', 'состояние',
+                        'модификация', 'тип двигателя', 'коробка передач', 'привод',
+                        'комплектация', 'тип кузова', 'цвет', 'авито оценка']
+
+# Остальные окошки для ввода параметров
+for column in categorical_columns:
+    if column not in ['brand', 'model']:
+        if column == 'год выпуска' or column == 'пробег' or column == 'объем двигателя':
+            inputs[column] = st.number_input(f"Введите значение для {column}")
+        else:
+            inputs[column] = st.text_input(f"Введите значение для {column}")
+
+# Кнопка для запуска предсказания
+if st.button("Предсказать цену"):
+    # Создаем DataFrame из введенных данных
+    input_data = pd.DataFrame(inputs, index=[0])
+
+    # Получение предсказания
+    predicted_price = final_model.predict(input_data)[0]
+
+    # Вывод результатов
+    st.write(f"Прогнозируемая цена авто: {predicted_price} руб.")
+
+    # # Расчет важности фичей с использованием SHAP
+    # explainer = shap.TreeExplainer(final_model)
+    # shap_values = explainer.shap_values(input_data)
+
+    # # Отображение SHAP force plot
+    # st.write("SHAP Force Plot:")
+    # shap.force_plot(explainer.expected_value, shap_values, input_data, matplotlib=True, show=False)
+    # st.pyplot()