Giter VIP home page Giter VIP logo

Задача классификации

используемый датасет - https://www.kaggle.com/datasets/cherngs/heart-disease-cleveland-uci

В prepare_data.py находится скрипт для предобработки данных. Категориальные признаки прогоняются через OneHotEncoder, количественные - через StandardScaler.

Решили использовать DecisionTreeClassifier, датасет маленький, что-то сложное тут будет проблемно обучить.

В качестве метрики используем F1_score.

Конфиг для обучения - train.yaml - содержит путь с пребобработанными данными, путь, куда должна быть загружена итоговая модель, а также доля тестовых данных в train-test сплите.

Как использовать:

cd main
# готовим данные для обучения
python3 prepare_data.py --config ../configs/preprocess.yaml
# обучаем модель и дампим в .pkl
python3 train_model.py --config ../configs/train.yaml
# готовим данные, чтобы потом предсказать по ним таргеты
python3 prepare_data.py --config ../configs/preprocess_test.yaml
# предсказываем, результаты записываем в файлик
python3 predict.py --config ../configs/predict.yaml

Самооценка

TOTAL: 25 0) В описании к пулл реквесту описаны основные "архитектурные" и тактические решения, которые сделаны в вашей работе. (1 балл) : ВЫПОЛНЕНО 1 б

  1. В пулл-реквесте проведена самооценка, распишите по каждому пункту выполнен ли критерий или нет и на сколько баллов(частично или полностью) (1 балл) : ВЫПОЛНЕНО 1б

  2. Выполнено EDA, закоммитьте ноутбук в папку с ноутбуками (1 балл) : ВЫПОЛНЕНО 1б

  3. Написана функция/класс для тренировки модели, вызов оформлен как утилита командной строки, записана в readme инструкцию по запуску (3 балла) ВЫПОЛНЕНО 3б

  4. Написана функция/класс predict (вызов оформлен как утилита командной строки), которая примет на вход артефакт/ы от обучения, тестовую выборку (без меток) и запишет предикт по заданному пути, инструкция по вызову записана в readme (3 балла) ВЫПОЛНЕНО 3б

  5. Проект имеет модульную структуру (2 балла) ВЫПОЛНЕНО 2б

  6. Использованы логгеры (2 балла) ВЫПОЛНЕНО 2б

  7. Написаны тесты на отдельные модули и на прогон обучения и predict (3 балла) ВЫПОЛНЕНО 3б

  8. Для тестов генерируются синтетические данные, приближенные к реальным (2 балла)

  9. Обучение модели конфигурируется с помощью конфигов в json или yaml, закоммитьте как минимум 2 корректные конфигурации, с помощью которых можно обучить модель (разные модели, стратегии split, preprocessing) (3 балла) ВЫПОЛНЕНО 3б

  10. Используются датаклассы для сущностей из конфига, а не голые dict (2 балла) ВЫПОЛНЕНО 2б

  11. Напишите кастомный трансформер и протестируйте его (3 балла) https://towardsdatascience.com/pipelines-custom-transformers-in-scikit-learn-the-step-by-step-guide-with-python-code-4a7d9b068156

  12. В проекте зафиксированы все зависимости (1 балл) ВЫПОЛНЕНО 1б

  13. Настроен CI для прогона тестов, линтера на основе github actions (3 балла). ВЫПОЛНЕНО 3б Пример с пары: https://github.com/demo-ml-cicd/ml-python-package

Polina Romanchenko's Projects

algorithms-templates icon algorithms-templates

Шаблоны задач с вводом-выводом для вводной части и первого спринта курса Алгоритмы для разработчиков.

avl icon avl

Long contest 5. Problem A

gollum icon gollum

An n:m message multiplexer written in Go - adding click house

istio-mastery icon istio-mastery

Source code for the article Back to Microservices with Istio

public icon public

System Design course at HSE (2021)

Recommend Projects

  • React photo React

    A declarative, efficient, and flexible JavaScript library for building user interfaces.

  • Vue.js photo Vue.js

    🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.

  • Typescript photo Typescript

    TypeScript is a superset of JavaScript that compiles to clean JavaScript output.

  • TensorFlow photo TensorFlow

    An Open Source Machine Learning Framework for Everyone

  • Django photo Django

    The Web framework for perfectionists with deadlines.

  • D3 photo D3

    Bring data to life with SVG, Canvas and HTML. 📊📈🎉

Recommend Topics

  • javascript

    JavaScript (JS) is a lightweight interpreted programming language with first-class functions.

  • web

    Some thing interesting about web. New door for the world.

  • server

    A server is a program made to process requests and deliver data to clients.

  • Machine learning

    Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.

  • Game

    Some thing interesting about game, make everyone happy.

Recommend Org

  • Facebook photo Facebook

    We are working to build community through open source technology. NB: members must have two-factor auth.

  • Microsoft photo Microsoft

    Open source projects and samples from Microsoft.

  • Google photo Google

    Google ❤️ Open Source for everyone.

  • D3 photo D3

    Data-Driven Documents codes.