Upload 2 files

pages/metrics.py

@@ -0,0 +1,52 @@
+import streamlit as st
+import pandas as pd
+from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score
+import matplotlib.pyplot as plt
+import pickle
+
+# Загрузка данных и модели с использованием кэша
+@st.cache(allow_output_mutation=True)
+def load_data_and_model():
+    df = pd.read_csv('Dataset/car_data.txt', sep=',')
+    final_model = CatBoostRegressor()
+    final_model.load_model('Model/best_model.cbm')
+    return df, final_model
+
+# Загрузка данных и модели
+df, final_model = load_data_and_model()
+
+# Загрузка данных
+with open('X_test_trimmed.pkl', 'rb') as f:
+    X_test_trimmed_loaded = pickle.load(f)
+
+with open('y_test_trimmed.pkl', 'rb') as f:
+    y_test_trimmed_loaded = pickle.load(f)
+
+# Заголовок страницы
+st.title("Метрики модели")
+
+# Построение гистограммы цен
+plt.figure(figsize=(10, 6))
+plt.hist(y_test_trimmed_loaded, bins=50, color='red', alpha=0.7, label='Цены на тестовой выборке')
+plt.title('Распределение цен на автомобили')
+plt.xlabel('Цена')
+plt.ylabel('Количество автомобилей')
+plt.legend()
+st.pyplot()
+
+# Предсказание на тестовых данных
+y_pred_final = final_model.predict(X_test_trimmed_loaded)
+
+# Вычисляем MAE, RMSE и R^2
+mae_final = mean_absolute_error(y_test_trimmed_loaded, y_pred_final)
+rmse_final = mean_squared_error(y_test_trimmed_loaded, y_pred_final, squared=False)  # RMSE
+r2_final = r2_score(y_test_trimmed_loaded, y_pred_final)
+
+# Вывод метрик
+st.write(f"Final Mean Absolute Error (MAE): {mae_final}")
+st.write(f"Final Root Mean Squared Error (RMSE): {rmse_final}")
+st.write(f"Final R^2 Score: {r2_final}")
+
+# Возвращение на первую страницу
+st.markdown("---")
+st.markdown("[Вернуться к вводу данных](#main)")