update app to the structure

app.py

@@ -3,33 +3,9 @@
 
 import numpy as np
 import pandas as pd
-import seaborn as sns
-from random import randint
-import matplotlib.pyplot as plt
 import streamlit as st
 import streamlit.components.v1 as components
 
-#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 warnings
-#warnings.filterwarnings("ignore")
-
-#       load upper
-# ==================================
 
 components.html(
     """
@@ -42,37 +18,26 @@ st.markdown("<h1 style='text-align: center;'>Применение методов
 
 components.html(
     """
-        <img src="https://fincult.info/upload/als-property-editorblock/4a2/4a278980ab4958de5e75aa5290842d77.png" align="center">
+        <img src="https://fincult.info/upload/als-property-editorblock/4a2/4a278980ab4958de5e75aa5290842d77.png" align="center" height="1024" width="443">
     """
 )
 
-#with open("D:\dev\to_git\test_task_ranhigs\Company_bankruptcy_prediction\for_web\img.png", "rb") as f:
+#with open("./img.png", "rb") as f:
 #    st.image(f.read(), use_column_width=True)
 
-with st.expander("ℹ️ - О приложении", expanded=True):
-
-    st.write(
-            """
-                -   Это приложение — это простой в использовании интерфейс, встроенный в специальную библиотеку Streamlit.
-                -   В том числе и сам алгоритм машинного обучения, который можно использовать через форму
-            """
-        )
-
-
 st.write(
     """
-        # Краткое описание
-
+        # 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.    
     """
 )
 
-#       cleaning data
-# ==================================
-
-data = pd.read_csv("D:\dev\to_git\test_task_ranhigs\Company_bankruptcy_prediction\for_web\dataset.csv")
-data.columns = [i.title().strip() for i in list(data.columns)]
-
-row = data.shape[0]
-col = data.shape[1]
+with st.expander("Описание пайплайна работы", expanded=True):
 
-text = print("The number of rows within the dataset are {} and the number of columns is {}".format(row,col))
+    st.write(
+            """
+                # Этапы разработки 
+            """
+        )