Spaces:
Runtime error
Runtime error
File size: 42,784 Bytes
3f651b1 c1360de 3f651b1 c1360de 3f651b1 c1360de 3f651b1 c1360de 3f651b1 c1360de 3f651b1 c1360de 3f651b1 c1360de 3f651b1 c1360de 3f651b1 c1360de 3f651b1 c1360de 3f651b1 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 |
# IMPORTS
# ====================================
import numpy as np
import pandas as pd
import streamlit as st
import streamlit.components.v1 as components
import seaborn as sns
import plotly.express as px
from random import randint
import matplotlib.pyplot as plt
from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC
from sklearn.neighbors import KNeighborsClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.model_selection import StratifiedKFold
from imblearn.pipeline import make_pipeline as imbalanced_make_pipeline
from imblearn.over_sampling import SMOTE
from sklearn.model_selection import RandomizedSearchCV
from sklearn.metrics import classification_report, confusion_matrix, f1_score,accuracy_score, precision_score, recall_score, roc_auc_score
from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import f_classif
import time # для фичей отслеживания прогресса (не задеплоен)
import warnings
warnings.filterwarnings("ignore")
# MAIN PAGE
# ========================================
st.markdown("<h1 style='text-align: center;'>Применение методов машинного обучения в анализе банкротства</h1>", unsafe_allow_html=True)
components.html(
"""
<a href="https://git.io/typing-svg"><img src="https://readme-typing-svg.herokuapp.com?font=Fira+Code&pause=1000&width=435&lines=Анализ+банкротства+компании" alt="Typing SVG" /></a>
<a href="https://git.io/typing-svg"><img src="https://readme-typing-svg.herokuapp.com?font=Fira+Code&pause=1000&width=435&lines=методами+искуственного+интеллекта" alt="Typing SVG" /></a>
"""
)
with open("./img.png", "rb") as f:
st.image(f.read(), use_column_width=True)
st.write(
"""
# Краткое описание задачи
Эффективное и заблаговременное прогнозирование банкротства компаний имеет важно значение для всех участников рынка. По мере развития информационного общества традиционные методы выявления банкротства становятся менее эффективными и более трудозатратными. Поэтому сочетание традиционных методов с современными моделями искусственного интеллекта может быть эффективно применено в современных экономических условиях.
Основная цель работы - оценить риск банкротства с помощью нескольких алгоритмов машинного обучения, сравнить результаты их работы, определить наилучшую модель и соответствующий набор признаков для прогнозирования банкротства компаний.
"""
)
st.write("""# Этапы разработки""")
#image = Image.open("./stages.jpg")
#st.image(image, output_format="auto", use_column_width="auto")
with open("./stages.png", "rb") as f:
st.image(f.read(), use_column_width=True)
with st.expander("Описание пайплайна работы", expanded=True):
st.write(
"""
### Этапы разработки
<b><i>1. Поиск и сбор данных:</i></b>
Был использован датасет из Тайваньского экономического журнала за период с 1999 по 2009 год. Банкротство компании было определено на основании правил ведения бизнеса Тайваньской фондовой биржи. (<a href="https://www.kaggle.com/datasets/fedesoriano/company-bankruptcy-prediction">Ссылка на данные</a>)
<b><i>2. Обработка (препроцессинг):</i></b>
Удаление ненужных колонок, one hot encoding категориальных переменных, заполнение пропущенных значений. С использованием библиотек pandas, numpy, seaborn.
<b><i>3. Анализ статистических показателей и визуализация:</i></b>
Инструменты для этого - с использованием библиотек pandas, seaborn.
<b><i>4. Выбор моделей, обучение и валидация модели с ними (без фичей):</i></b>
С использованием библиотек scikit-learn, pandas, seaborn.
<b><i>5. Выбор моделей, обучение и валидация модели с ними (с фичами):</i></b>
С использованием библиотек scikit-learn, pandas, seaborn.
<
b><i>6. Сравнение результатов:</i></b>
Анализ и графическое представление работы алгоритмов. При некорректной работе или плохим результатом проводится п. 4 и п. 5.
<b><i>7. Оформление микросервиса Streamlit:</i></b>
С использованием библиотеки streamlit.
""",
unsafe_allow_html=True
)
with st.expander("О применении машинного обучения", expanded=True):
st.write(
"""
### Информация о применении методов машинного обучения для бизнес-задач:
Прогнозирование финансовой неустойчивости – важный компонент управления компанией. Из-за банкротства акционеры теряют доходы, бизнес, нарушаются цепочки поставок, фискальные органы лишаются налоговых поступлений, госорганы фиксируют снижение экономического роста и повышение социальной напряженности, а работники вынуждены искать новую работу. Поэтому получение ясной картины финансового и имущественного состояния компаний уже много лет является целью специалистов самых разных областей знаний.
Компании активно внедряют современные технологии в основную деятельность, автоматизируя большое количество бизнес-процессов. Это позволяет выстраивать, например, электронную экспертизу, c помощью которой возможно оперативно объединять множество экспертов из разных предметных областей для полного охвата рассматриваемой проблемы и принятия коллективного решения. Электронная экспертиза также подразумевает взаимодействие людей с интеллектуальными системами, которые способны строить анализ и прогнозы на основе более широкого пространства переменных. Так, в частности, методы машинного обучения применяются уже в значительном количестве бизнес-задач, в том числе для интеллектуальной аналитики больших данных, которые компания аккумулирует для построения моделей прогнозирования.
Однако риски банкротства могут также возникнуть из-за некорректного стратегического менеджмента. Такой менеджмент подразумевает разработку долгосрочных целей и действий, которые позволят достичь более высоких результатов в будущем, например, стать лидирующей компанией в своей отрасли. Разрабатываемые при этом стратегии обычно носят амбициозный характер, поэтому цели компании в таком случае не направлены на пролонгацию сложившейся динамики. Правильный анализ стратегической ситуации также важен для прогнозирования банкротства. Существует множество методов для ее оценки, в том числе и на основе анализа больших данных.<a href="http://infosoc.iis.ru/article/view/509"> Источник<a>
""",
unsafe_allow_html=True
)
# INFO
# =====================================
st.write(
"""
# 1. Информация о датасете
<b><i>Похожие наборы данных:</i></b>
- <a href="https://www.kaggle.com/datasets/fedesoriano/the-boston-houseprice-data">The Boston House-Price Data</a>
- <a href="https://www.kaggle.com/datasets/fedesoriano/gender-pay-gap-dataset">Gender Pay Gap Dataset</a>
- <a href="https://www.kaggle.com/datasets/fedesoriano/california-housing-prices-data-extra-features">Spanish Wine Quality Dataset</a>
<b><i>Про сами данные:</i></b>
Данные были получены из Тайваньского экономического журнала за период с 1999 по 2009 год. Банкротство компании было определено на основании правил ведения бизнеса Тайваньской фондовой биржи.
<i>P.S. Обновлены имена столбцов и описание, чтобы упростить понимание данных (Y = выходной объект, X = входной объект).</i>
""",
unsafe_allow_html=True
)
st.write(
"""
<b><i>Источник:</i></b>
Deron Liang and Chih-Fong Tsai, deronliang '@' gmail.com; cftsai '@' mgt.ncu.edu.tw, National Central University, Taiwan.
<a href="https://archive.ics.uci.edu/ml/datasets/Taiwanese+Bankruptcy+Prediction">The data was obtained from UCI Machine Learning Repository.</a>
<b><i>Статья:</i></b>
<a href="https://www.sciencedirect.com/science/article/abs/pii/S0377221716000412">Тык</a>
""",
unsafe_allow_html=True
)
data = pd.read_csv("./dataset.csv", sep=",")
st.write(""" ### Таблица с данными: """, data)
col_data = pd.read_csv("./col_description.csv", sep=",", header=None)
st.write(""" ### Описание признаков: """, col_data)
st.write(
"""
# 2. Обработка (препроцессинг)
"""
)
# PREPROCESS
# ==================================
st.write(""" ### Статистика:""")
st.code(
"""
data.describe()
"""
)
st.text(data.describe())
st.code(
"""
data.shape
"""
)
st.write(""" #### Shape данных (номер строк и столбцов):""")
st.text(data.shape)
#st.table(data) - лучше не запускать :)
data.columns = [i.title().strip() for i in list(data.columns)]
row = data.shape[0]
col = data.shape[1]
null_values = data.isnull().sum().sort_values(ascending=False).head()
st.code(
"""
null_values = data.isnull().sum().sort_values(ascending=False).head()
"""
)
st.write(null_values)
st.code(
"""
data.info()
"""
)
st.text(data.info)
st.text(pd.DataFrame(data=data.info()))
st.write("""Поскольку пропущенных значений нет, мы можем перейти к анализу данных.""")
# VISUALIZATIONS
# ==================================
#with open("./plot_1.png", "rb") as f:
#st.image(f.read(), use_column_width=True)
#values = st.sidebar.slider("Target", int(data["Bankrupt?"]))
#values = [0,1]
#values = list(data["Bankrupt?"].count())
colors = ['Accent', 'Accent_r', 'Blues', 'Blues_r', 'BrBG', 'BrBG_r', 'BuGn', 'BuGn_r', 'BuPu', 'BuPu_r', 'CMRmap',
'CMRmap_r', 'Dark2', 'Dark2_r', 'GnBu', 'GnBu_r', 'Greens', 'Greens_r', 'Greys', 'Greys_r', 'OrRd', 'OrRd_r',
'Oranges', 'Oranges_r', 'PRGn', 'PRGn_r', 'Paired', 'Paired_r', 'Pastel1', 'Pastel1_r', 'Pastel2', 'Pastel2_r',
'PiYG', 'PiYG_r', 'PuBu', 'PuBuGn', 'PuBuGn_r', 'PuBu_r', 'PuOr', 'PuOr_r', 'PuRd', 'PuRd_r', 'Purples', 'Purples_r',
'RdBu', 'RdBu_r', 'RdGy', 'RdGy_r', 'RdPu', 'RdPu_r', 'RdYlBu', 'RdYlBu_r', 'RdYlGn', 'RdYlGn_r', 'Reds', 'Reds_r',
'Set1', 'Set1_r', 'Set2', 'Set2_r', 'Set3', 'Set3_r', 'Spectral', 'Spectral_r', 'Wistia', 'Wistia_r', 'YlGn', 'YlGnBu',
'YlGnBu_r', 'YlGn_r', 'YlOrBr', 'YlOrBr_r', 'YlOrRd', 'YlOrRd_r', 'afmhot', 'afmhot_r', 'autumn', 'autumn_r', 'binary',
'binary_r', 'bone', 'bone_r', 'brg', 'brg_r', 'bwr', 'bwr_r', 'cividis', 'cividis_r', 'cool', 'cool_r', 'coolwarm',
'coolwarm_r', 'copper', 'copper_r', 'crest', 'crest_r', 'cubehelix', 'cubehelix_r', 'flag', 'flag_r', 'flare',
'flare_r', 'gist_earth', 'gist_earth_r', 'gist_gray', 'gist_gray_r', 'gist_heat', 'gist_heat_r', 'gist_ncar',
'gist_ncar_r', 'gist_rainbow', 'gist_rainbow_r', 'gist_stern', 'gist_stern_r', 'gist_yarg', 'gist_yarg_r', 'gnuplot',
'gnuplot2', 'gnuplot2_r', 'gnuplot_r', 'gray', 'gray_r', 'hot', 'hot_r', 'hsv', 'hsv_r', 'icefire', 'icefire_r',
'inferno', 'inferno_r', 'jet', 'jet_r', 'magma', 'magma_r', 'mako', 'mako_r', 'nipy_spectral', 'nipy_spectral_r',
'ocean', 'ocean_r', 'pink', 'pink_r', 'plasma', 'plasma_r', 'prism', 'prism_r', 'rainbow', 'rainbow_r', 'rocket',
'rocket_r', 'seismic', 'seismic_r', 'spring', 'spring_r', 'summer', 'summer_r', 'tab10', 'tab10_r', 'tab20',
'tab20_r', 'tab20b', 'tab20b_r', 'tab20c', 'tab20c_r', 'terrain', 'terrain_r', 'turbo', 'turbo_r', 'twilight',
'twilight_r', 'twilight_shifted', 'twilight_shifted_r', 'viridis', 'viridis_r', 'vlag', 'vlag_r', 'winter', 'winter_r']
value = randint(0, len(colors)-1)
# plot_1
counts = data['Bankrupt?'].value_counts()
f = px.bar(counts, title="Соотношение количества банкротов и не банкротов")
f.update_xaxes(title="Bankrupt?")
f.update_yaxes(title="Count")
st.plotly_chart(f)
#f.show() - для отображения в отдельной вкладке
st.write(
"""
Записи кажутся сильно несбалансированными. Таким образом, необходимо рассмотреть возможность балансировки набора данных с помощью методов повышения или понижения дискретизации.
"""
)
numeric_features = data.dtypes[data.dtypes != 'int64'].index
categorical_features = data.dtypes[data.dtypes == 'int64'].index
data[categorical_features].columns.tolist()
st.write(
"""
С помощью data.info() мы заметили, что у нас есть большинство данных «float64». Категориальные данные различаются как двоичные 1 и 0, поэтому сохраняются как «int64». Мы разделяем числовые и категориальные данные для анализа нашего набора данных.
"""
)
st.code(
"""
numeric_features = data.dtypes[data.dtypes != 'int64'].index
categorical_features = data.dtypes[data.dtypes == 'int64'].index
data[categorical_features].columns.tolist()
""",
language="python"
)
st.write(
"""
Вывод консоли:
['Bankrupt?', 'Liability-Assets Flag', 'Net Income Flag']
"""
)
st.write(
"""
Есть только три столбца категорийных данных, сначала рассмотрим эти столбцы.
"""
)
# plot_2
counts = data["Liability-Assets Flag"].value_counts()
f = px.bar(counts, title="Обязательства-активы")
f.update_xaxes(title="Liability-Assets Flag")
f.update_yaxes(title="Count")
st.plotly_chart(f)
st.write(
"""
Поле «Обязательства-Активы» (Liability-Assets Flag) обозначает статус организации, где, если общая сумма обязательств превышает общую сумму активов, помеченное значение будет равно 1, в противном случае значение равно 0. В большинстве случаев активы организаций/компаний превышают их обязательства.
"""
)
# plot_3
st.header("Распределение количества банкротов по активам и обязательствам")
counts = data[['Liability-Assets Flag','Bankrupt?']].value_counts()
plt.figure(figsize=(8,7))
fig, ax = plt.subplots()
ax = sns.countplot(x = 'Liability-Assets Flag',hue = 'Bankrupt?',data = data,palette = colors[value])
st.pyplot(fig)
st.write(
"""
Небольшая часть организаций терпит банкротство, хотя у них активов больше, чем обязательств.
"""
)
# plot_4
counts = data["Net Income Flag"].value_counts()
f = px.bar(counts, title="Чистый доход")
f.update_xaxes(title="Net Income Flag")
f.update_yaxes(title="Count")
st.plotly_chart(f)
st.write(
"""
Поле «Чистый доход» (Net Income Flag) обозначает состояние дохода организации за последние два года, где, если чистый доход отрицателен за последние два года, отмеченное значение будет равно 1, в противном случае значение равно 0. Мы наблюдаем, что все отчеты демонстрируют убыток в течение последних двух лет.
"""
)
# plot_5
st.header("Распределение количества банкротов по чистому доходу")
counts = data[['Net Income Flag','Bankrupt?']].value_counts()
plt.figure(figsize=(8,7))
fig, ax = plt.subplots()
ax = sns.countplot(x = 'Net Income Flag',hue = 'Bankrupt?',data = data,palette = colors[value])
st.pyplot(fig)
#counts = data[['Net Income Flag','Bankrupt?']].value_counts()
#f = sns.countplot(x = 'Net Income Flag',hue = 'Bankrupt?',data = data,palette = colors[value])
#st.plotly_chart(f)
st.write(
"""
Многие организации, понесшие убытки за последние два года, стабилизировали свой бизнес, избежав таким образом банкротства.
"""
)
positive_corr = data[numeric_features].corrwith(data["Bankrupt?"]).sort_values(ascending=False)[:6].index.tolist()
negative_corr = data[numeric_features].corrwith(data["Bankrupt?"]).sort_values()[:6].index.tolist()
positive_corr = data[positive_corr + ["Bankrupt?"]].copy()
negative_corr = data[negative_corr + ["Bankrupt?"]].copy()
#x_value = positive_corr.columns.tolist()[-1]
#y_value = positive_corr.columns.tolist()[:-1]
#x_value = negative_corr.columns.tolist()[-1]
#y_value = negative_corr.columns.tolist()[:-1]
st.write(
"""
Для простоты мы анализируем шесть основных атрибутов с положительной и отрицательной корреляцией.
"""
)
st.write("""Атрибуты с положительной корреляцией: """)
with open("./corr_1.png", "rb") as f:
st.image(f.read(), use_column_width=True)
with st.expander("i - Что значит корреляция", expanded=False):
st.write(
"""
<b><i>Корреляция</i></b> – это взаимосвязь двух или нескольких случайных параметров. Когда одна величина растет или уменьшается, другая тоже изменяется.
""",
unsafe_allow_html=True
)
st.write(
"""
Мы видим, что три атрибута — Отношение долга % (Debt Ratio %), Текущая ответственность к активам (Current Liability To Assets), Текущая ответственность к текущим активам (Current Liability To Current Assets) обычно высоки в организациях-банкротах.
"""
)
st.write("""Атрибуты с отрицательной корреляцией: """)
with open("./corr_2.png", "rb") as f:
st.image(f.read(), use_column_width=True)
st.write(
"""
Эти атрибуты показывают нам, что чем больше активы и доходы компании, тем меньше вероятность того, что организация обанкротится.
Давайте проверим соотношение шести верхних положительных и отрицательных атрибутов корреляции между собой.
"""
)
with open("./positive.png", "rb") as f:
st.image(f.read(), use_column_width=True)
st.write(
"""
Существует положительная связь между атрибутами, которые имеют высокую корреляцию с целевой переменной.
"""
)
with open("./negative.png", "rb") as f:
st.image(f.read(), use_column_width=True)
st.write(
"""
Существует положительная связь между атрибутами, которые имеют низкую корреляцию с целевой переменной.
"""
)
st.write(""" ## Нажав на кнопку ниже - можно построить интерактивную корреляционную матрицу""")
if st.button("Построить корреляционную матрицу !!!"):
st.header("Корреляционная матрица")
relation = positive_corr.columns.tolist()[:-1] + negative_corr.columns.tolist()[:-1]
plt.figure(figsize=(8,7))
fig, ax = plt.subplots()
ax = sns.heatmap(data[relation].corr(),annot=True)
st.pyplot(fig)
st.write(
"""
Общая корреляция 12 лучших атрибутов приведена выше.
"""
)
st.write(
"""
### Резюме анализа
- Количество организаций, обанкротившихся за 10 лет с 1999 по 2000 год, невелико.
- Несколько компаний обладают большим количеством активов, что всегда является хорошим признаком для организации.
- Организация не может гарантировать, что не будет банкротом, хотя и владеет несколькими активами.
- Организации в наборе данных несут убытки за последние два года, поскольку их чистая прибыль представляется отрицательной.
- Очень немногие из организаций, имевших отрицательную прибыль за последние два года, терпят банкротство.
- Отмечено, что атрибуты «Отношение долга, %, текущие обязательства к активам, текущие обязательства к текущим активам» — это лишь некоторые из атрибутов, которые имеют высокую корреляцию с целевой переменной.
- Увеличение значений атрибутов «Отношение долга %, Текущие обязательства к активам, Текущие обязательства к оборотным средствам» приводит к большим убыткам организации, что приводит к банкротству.
- Увеличение значений признаков, имеющих отрицательную корреляцию с целевой переменной, помогает организации избежать банкротства.
- По-видимому, существует связь между атрибутами, имеющими высокую и низкую корреляцию с целевой переменной.
- Мы наблюдали несколько корреляций между 12 основными атрибутами, одним из которых является «Чистая стоимость / Активы и соотношение долга%», которые отрицательно коррелируют друг с другом.
"""
)
# ML
# ===========================================================
st.write("""# Машинное обучение""")
st.write("""### Нормализация данных""")
st.code(
"""
numeric_features = data.dtypes[data.dtypes != 'int64'].index
data[numeric_features] = data[numeric_features].apply(lambda x: (x - x.mean()) / (x.std()))
data[numeric_features] = data[numeric_features].fillna(0)
""",
language="python"
)
with st.expander("i - Что значит нормализация", expanded=False):
st.write(
"""
<b><i>Нормализация</i></b> – это процедура предобработки входной информации (обучающих, тестовых и валидационных выборок, а также реальных данных), при которой значения признаков во входном векторе приводятся к некоторому заданному диапазону, например, [0…1] или [-1…1] [1]
""",
unsafe_allow_html=True
)
st.write(
"""
Наш набор данных сильно несбалансирован. Таким образом, перед обучением модели нам нужно как то преобразовать эти данные. Давайте обозначим несколько этапов, которым мы должны следовать, когда сталкиваемся с несбалансированным набором данных:
- Деление набора данных на части для обучения и тестирования (80–20%). Мы сохраняем 20% в тестовый набор для окончательной оценки.
- С помощью кросс-валидации по К блокам (stratified K-fold cross validation) мы распределим 80% тренировочного набора на дальнейшее обучение и тестирование.
- Поскольку мы имеем дело с более чем 50 функциями, будем использовать Randomized Search Cross-Validation, поскольку этот метод лучше работает со многими функциями.
"""
)
# MODELS SCORES DISPLAY FUNC WITHOUT FEATURE SELECTION
# ============================================================================
Models = pd.DataFrame(columns=['Algorithm','Model Score','Precision','Recall','F1 score','ROC-AUC score'])
def taining_without_feature_selection(Parameters, Model, Dataframe, Modelname):
data = Dataframe.copy()
X = data.drop('Bankrupt?', axis=1)
y = data['Bankrupt?']
#Traditional split of the dataset 80% - 20%
x_train, x_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
x_train, x_test, y_train, y_test = x_train.values, x_test.values, y_train.values, y_test.values
#Proportional split of 80% data with respect to the class of the target feature ie. [1,0]
sf = StratifiedKFold(n_splits=5, random_state=None, shuffle=False)
for train_index, test_index in sf.split(x_train, y_train):
sf_x_train, sf_x_test = X.iloc[train_index], X.iloc[test_index]
sf_y_train, sf_y_test = y.iloc[train_index], y.iloc[test_index]
sf_x_train, sf_x_test, sf_y_train, sf_y_test = sf_x_train.values, sf_x_test.values, sf_y_train.values, sf_y_test.values
model_parameter_sm = Parameters
rand_model = RandomizedSearchCV(Model, model_parameter_sm, n_iter=4)
#Identifying the best parameters through RandomizedSearchCV()
for train, test in sf.split(sf_x_train, sf_y_train):
pipeline = imbalanced_make_pipeline(SMOTE(sampling_strategy='minority'), rand_model)
fitting_model = pipeline.fit(sf_x_train[train], sf_y_train[train])
best_model = rand_model.best_estimator_
#Evaluation with against 20% unseen testing data
print()
print("Evaluation Of Models")
sm = SMOTE(sampling_strategy='minority', random_state=42)
Xsm_train, ysm_train = sm.fit_resample(sf_x_train, sf_y_train)
print()
print("Random Model Evaluation")
final_model_sm = rand_model.best_estimator_
final_model_sm.fit(Xsm_train, ysm_train)
prediction = final_model_sm.predict(x_test)
print(classification_report(y_test, prediction))
model = {}
model['Algorithm'] = Modelname
model['Model Score'] = str(round((accuracy_score(y_test, prediction)*100),2)) + "%"
model['Precision'] = round(precision_score(y_test, prediction),2)
model['Recall'] = round(recall_score(y_test, prediction),2)
model['F1 score'] = round(f1_score(y_test, prediction),2)
model['ROC-AUC score'] = round(roc_auc_score(y_test, prediction),2)
return model
# SELECT OPTIONS
# ==========================================================================
st.write("""### Машинное обучение без отбора признаков""")
option = st.selectbox(
"Какой алгоритм для обучения выберем?",
("K Nearest Neighbour", "Logistic Regression", "DecisionTree Classifier", "Random Forest Classifier", "Support Vector Classifier")
)
st.write('Выбрано:', option)
st.write(
"""
После выбора нужно подождать, пока пройдет обучение - у некоторых алгоритмов процесс может растянуться на продолжительное время...
Для быстрой проверки можно использовать K Nearest Neighbour и Logistic Regression
"""
)
with st.expander("О алгоритмах", expanded=False):
st.write(
"""
сюда описание про алгоритмы
""",
unsafe_allow_html=True
)
@st.cache
def convert_df(df):
# IMPORTANT: Cache the conversion to prevent computation on every rerun
return df.to_csv().encode('utf-8')
@st.cache
def save_results(Models):
Models = Models.append(TrainedModel,ignore_index=True)
return Models
if option == "K Nearest Neighbour":
#print("K Nearest Neighbour")
TrainedModel = taining_without_feature_selection({"n_neighbors": list(range(2,5,1)), 'algorithm': ['auto', 'ball_tree', 'kd_tree', 'brute']}, KNeighborsClassifier(), data,"K Nearest Neighbour")
save_results(Models)
st.write(""" ### Результаты работы алгоритма: """, Models)
csv = convert_df(Models)
st.download_button(
label="Скачать CSV",
data=csv,
file_name='score_nneighbors.csv',
mime='text/csv',
)
if option == "Logistic Regression":
#print("Logistic Regression")
TrainedModel = taining_without_feature_selection({"penalty": ['l2'], 'C': [0.001, 0.01, 0.1, 1, 10, 100, 1000]}, LogisticRegression(solver='liblinear'), data, "Logistic Regression")
save_results(Models)
st.write(""" ### Результаты работы алгоритма: """, Models)
csv = convert_df(Models)
st.download_button(
label="Скачать CSV",
data=csv,
file_name='score_logisticregression.csv',
mime='text/csv',
)
if option == "DecisionTree Classifier":
#print("DecisionTree Classifier")
TrainedModel = taining_without_feature_selection({"criterion": ["gini", "entropy"], "max_depth": list(range(2,4,1)),"min_samples_leaf": list(range(5,7,1))}, DecisionTreeClassifier(), data, "DecisionTree Classifier")
save_results(Models)
st.write(""" ### Результаты работы алгоритма: """, Models)
csv = convert_df(Models)
st.download_button(
label="Скачать CSV",
data=csv,
file_name='score_decisiontree.csv',
mime='text/csv',
)
if option == "Random Forest Classifier":
#print("Random Forest Classifier")
TrainedModel = taining_without_feature_selection({"max_depth": [3, 5, 10, None],"n_estimators": [100, 200, 300, 400, 500]}, RandomForestClassifier(), data, "Random Forest Classifier")
save_results(Models)
st.write(""" ### Результаты работы алгоритма: """, Models)
csv = convert_df(Models)
st.download_button(
label="Скачать CSV",
data=csv,
file_name='score_randomforest.csv',
mime='text/csv',
)
if option == "Support Vector Classifier":
print("Support Vector Classifier")
TrainedModel = taining_without_feature_selection({'C': [1,10,20],'kernel': ['rbf','linear']}, SVC(), data, "Support Vector Classifier")
save_results(Models)
st.write(""" ### Результаты работы алгоритма: """, Models)
csv = convert_df(Models)
st.download_button(
label="Скачать CSV",
data=csv,
file_name='score_supportvector.csv',
mime='text/csv',
)
st.write("### Общая таблица работы моделей: ")
if st.button("Отобразить (тыкать после обучения интересующих алгоритмов)"):
# st.write(Models.sort_values('F1 score',ascending=False))
st.write(Models)
# MODELS SCORES DISPLAY FUNC WITH FEATURE SELECTION
# ================================================================================
Models_2 = pd.DataFrame(columns=['Algorithm','Model Score','Precision','Recall','F1 score','ROC-AUC score'])
@st.cache
def taining_with_feature_selection(Parameters, Model, Dataframe, Modelname):
data = Dataframe.copy()
X = data.drop('Bankrupt?', axis=1)
y = data['Bankrupt?']
'''
Feature Selection Process:
class sklearn.feature_selection.SelectKBest(score_func=<function>, k=<number of features>
score_func - Scoring measure
k - Total features to be returned
'''
fs = SelectKBest(score_func=f_classif, k=int((data.shape[1]*85)/100))
X = fs.fit_transform(X, y)
X = pd.DataFrame(X)
y = pd.DataFrame(y)
x_train, x_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
x_train, x_test, y_train, y_test = x_train.values, x_test.values, y_train.values, y_test.values
sf = StratifiedKFold(n_splits=5, random_state=None, shuffle=False)
for train_index, test_index in sf.split(x_train, y_train):
sf_x_train, sf_x_test = X.iloc[train_index], X.iloc[test_index]
sf_y_train, sf_y_test = y.iloc[train_index], y.iloc[test_index]
sf_x_train, sf_x_test, sf_y_train, sf_y_test = sf_x_train.values, sf_x_test.values, sf_y_train.values, sf_y_test.values
model_parameter_sm = Parameters
rand_model = RandomizedSearchCV(Model, model_parameter_sm, n_iter=4)
for train, test in sf.split(sf_x_train, sf_y_train):
pipeline = imbalanced_make_pipeline(SMOTE(sampling_strategy='minority'), rand_model)
fitting_model = pipeline.fit(sf_x_train[train], sf_y_train[train])
best_model = rand_model.best_estimator_
print()
print("Evaluation Of Models")
sm = SMOTE(sampling_strategy='minority', random_state=42)
Xsm_train, ysm_train = sm.fit_resample(sf_x_train, sf_y_train)
print()
print("Random Model Evaluation")
final_model_sm = rand_model.best_estimator_
final_model_sm.fit(Xsm_train, ysm_train)
prediction = final_model_sm.predict(x_test)
print(classification_report(y_test, prediction))
model = {}
model['Algorithm'] = Modelname
model['Model Score'] = str(round((accuracy_score(y_test, prediction)*100),2)) + "%"
model['Precision'] = round(precision_score(y_test, prediction),2)
model['Recall'] = round(recall_score(y_test, prediction),2)
model['F1 score'] = round(f1_score(y_test, prediction),2)
model['ROC-AUC score'] = round(roc_auc_score(y_test, prediction),2)
return model
# SELECT OPTIONS
# ==========================================================================
with open("./polosca.jpg", "rb") as f:
st.image(f.read(), use_column_width=True)
st.write("""### Машинное обучение с отбором признаков""")
option = st.selectbox(
"Какой алгоритм для обучения с отбором признаков выберем?",
("K Nearest Neighbour", "Logistic Regression", "DecisionTree Classifier", "Random Forest Classifier", "Support Vector Classifier")
)
st.write('Выбрано:', option)
st.write(
"""
После выбора нужно подождать, пока пройдет обучение - у некоторых алгоритмов процесс может растянуться на продолжительное время...
Для быстрой проверки можно использовать K Nearest Neighbour и Logistic Regression
"""
)
@st.cache
def save_results(Models_2):
Models_2 = Models_2.append(TrainedModel,ignore_index=True)
return Models_2
if option == "K Nearest Neighbour":
#print("K Nearest Neighbour")
TrainedModel = taining_without_feature_selection({"n_neighbors": list(range(2,5,1)), 'algorithm': ['auto', 'ball_tree', 'kd_tree', 'brute']}, KNeighborsClassifier(), data,"K Nearest Neighbour")
save_results(Models_2)
st.write(""" ### Результаты работы алгоритма: """, Models_2)
csv = convert_df(Models_2)
st.download_button(
label="Скачать CSV",
data=csv,
file_name='score_nneighbors_fs.csv',
mime='text/csv',
)
if option == "Logistic Regression":
#print("Logistic Regression")
TrainedModel = taining_without_feature_selection({"penalty": ['l2'], 'C': [0.001, 0.01, 0.1, 1, 10, 100, 1000]}, LogisticRegression(solver='liblinear'), data, "Logistic Regression")
save_results(Models_2)
st.write(""" ### Результаты работы алгоритма: """, Models_2)
csv = convert_df(Models_2)
st.download_button(
label="Скачать CSV",
data=csv,
file_name='score_logisticregression_fs.csv',
mime='text/csv',
)
if option == "DecisionTree Classifier":
#print("DecisionTree Classifier")
TrainedModel = taining_without_feature_selection({"criterion": ["gini", "entropy"], "max_depth": list(range(2,4,1)),"min_samples_leaf": list(range(5,7,1))}, DecisionTreeClassifier(), data, "DecisionTree Classifier")
save_results(Models_2)
st.write(""" ### Результаты работы алгоритма: """, Models_2)
csv = convert_df(Models_2)
st.download_button(
label="Скачать CSV",
data=csv,
file_name='score_decisiontree_fs.csv',
mime='text/csv',
)
if option == "Random Forest Classifier":
#print("Random Forest Classifier")
TrainedModel = taining_without_feature_selection({"max_depth": [3, 5, 10, None],"n_estimators": [100, 200, 300, 400, 500]}, RandomForestClassifier(), data, "Random Forest Classifier")
save_results(Models_2)
st.write(""" ### Результаты работы алгоритма: """, Models_2)
csv = convert_df(Models_2)
st.download_button(
label="Скачать CSV",
data=csv,
file_name='score_randomforest_fs.csv',
mime='text/csv',
)
if option == "Support Vector Classifier":
print("Support Vector Classifier")
TrainedModel = taining_without_feature_selection({'C': [1,10,20],'kernel': ['rbf','linear']}, SVC(), data, "Support Vector Classifier")
save_results(Models_2)
st.write(""" ### Результаты работы алгоритма: """, Models_2)
csv = convert_df(Models_2)
st.download_button(
label="Скачать CSV",
data=csv,
file_name='score_supportvector_fs.csv',
mime='text/csv',
)
st.write("### Общая таблица работы моделей: ")
if st.button("Отобразить (тыкать после обучения интересующих алгоритмов с отбором признаков)"):
# st.write(Models.sort_values('F1 score',ascending=False))
st.write(Models_2)
st.markdown(" ")
st.markdown(" ")
st.markdown(" ")
if st.button("✨Получи приз, если дошел до самого конца!!"):
st.balloons()
st.markdown(" ")
components.html(
"""
<p align="center">Powered by <a href="https://github.com/Lyutikk">Gforce</a></p>
"""
)
|