Upload 5 files

gb_model_chugun.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:287b2446fef922ee3d0e287a4ba25170e0c380144093a4a50d460fc987248a88
+size 887113

gb_model_coke.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:ca84ef29914ab4026cf2f0d9090a355f466ee1897d2d6946d6ac41e6b6973e8d
+size 214419

mmk_informservice_project_dp_10.py

@@ -0,0 +1,130 @@
+# -*- coding: utf-8 -*-
+"""MMK-Informservice_project_DP-10.ipynb
+
+Automatically generated by Colab.
+
+Original file is located at
+    https://colab.research.google.com/drive/1wmkVhN6rkUnZhbwxxXnVsRP7A-7PC_1p
+"""
+
+import gradio as gr
+import pandas as pd
+import numpy as np
+import pickle
+
+# Загрузка датасетов
+chugun_df = pd.read_csv("chugun.csv")
+coke_df = pd.read_csv("coke.csv")
+
+# Загрузка моделей
+with open("gb_model_chugun.pkl", "rb") as f:
+    gb_model_chugun = pickle.load(f)
+with open("gb_model_coke.pkl", "rb") as f:
+    gb_model_coke = pickle.load(f)
+
+import gradio as gr
+import pandas as pd
+import numpy as np
+import pickle
+
+# Загрузка датасетов
+chugun_df = pd.read_csv("chugun.csv")
+coke_df = pd.read_csv("coke.csv")
+
+# Загрузка моделей
+with open("gb_model_chugun.pkl", "rb") as f:
+    gb_model_chugun = pickle.load(f)
+with open("gb_model_coke.pkl", "rb") as f:
+    gb_model_coke = pickle.load(f)
+
+# Функция для получения случайной строки из датасета
+def get_random_sample(dataset):
+    return dataset.sample(1)
+
+# Функция для форматирования признаков с учетом ожидаемых признаков модели
+def format_features(sample, target_column, model):
+    # Удаляем целевую переменную из признаков
+    features = sample.drop(columns=[target_column])
+    feature_names = list(features.columns)
+
+    # Проверяем, совпадают ли признаки с ожидаемыми моделью
+    expected_features = model.feature_names_in_ if hasattr(model, 'feature_names_in_') else feature_names
+    if set(feature_names) != set(expected_features):
+        missing_features = set(expected_features) - set(feature_names)
+        extra_features = set(feature_names) - set(expected_features)
+        if missing_features:
+            raise ValueError(f"Датасет не содержит ожидаемые признаки: {missing_features}")
+        if extra_features:
+            # Удаляем лишние признаки
+            features = features[expected_features]
+            feature_names = expected_features
+
+    feature_values = features.values[0]
+    return feature_names, feature_values
+
+# Основная функция для предсказания
+def predict(model_choice):
+    if model_choice == "Производство чугуна":
+        dataset = chugun_df
+        target_column = "Количество чугуна (т)"
+        model = gb_model_chugun
+    else:
+        dataset = coke_df
+        target_column = "Удельный расход кокса (кг/т)"
+        model = gb_model_coke
+
+    # Получаем случайную строку
+    sample = get_random_sample(dataset)
+    feature_names, feature_values = format_features(sample, target_column, model)
+    actual_value = sample[target_column].values[0]
+
+    # Преобразуем входные данные в массив
+    input_data = np.array([feature_values])
+
+    # Предсказание
+    prediction = model.predict(input_data)[0]
+
+    # Расчет процентной ошибки
+    error_percent = abs((prediction - actual_value) / actual_value) * 100
+
+    # Формирование результата
+    result = f"Предсказанное значение: {prediction:.2f}\n"
+    result += f"Реальное значение: {actual_value:.2f}\n"
+    result += f"Процент ошибки: {error_percent:.2f}%"
+
+    return (
+        gr.Dataframe(headers=["Признак"], value=[[name] for name in feature_names]),
+        gr.Dataframe(headers=["Значение"], value=[[value] for value in feature_values]),
+        result
+    )
+
+# Создание интерфейса Gradio
+with gr.Blocks() as demo:
+
+    # Выбор модели
+    model_choice = gr.Dropdown(
+        choices=["Производство чугуна", "Удельный расход кокса"],
+        label="Выберите модель",
+        value="Производство чугуна"
+    )
+
+    # Вывод признаков
+    with gr.Row():
+      feature_display = gr.Dataframe(headers=["Признак"], value=[])
+      value_display = gr.Dataframe(headers=["Значение"], value=[])
+
+    # Кнопка предсказания
+    predict_button = gr.Button("Предсказать")
+
+    # Вывод результата
+    output = gr.Textbox(label="Результат предсказания")
+
+    # Логика предсказания
+    predict_button.click(
+        fn=predict,
+        inputs=model_choice,
+        outputs=[feature_display, value_display, output]
+    )
+
+# Запуск приложения
+demo.launch()