Spaces:
Sleeping
Sleeping
File size: 3,163 Bytes
540fe64 |
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 |
import streamlit as st
import time
import numpy as np
import pandas as pd
import pickle
from sklearn.ensemble import RandomForestClassifier
st.set_page_config(page_title="Рекомендация тарифов")
st.markdown('# Рекомендация тарифов')
with st.expander("Описание проекта:"):
st.write(
"""Оператор мобильной связи «Мегалайн» выяснил: многие клиенты пользуются архивными тарифами.
Задача состояла в построении системы, способной проанализировать поведение клиентов
- пользователей архивных тарифов и предложить пользователям новый тариф: «Смарт» или «Ультра».
Была построена модель (RandomForestClassifier) для задачи классификации, которая выберает подходящий
тариф с максимально большим значением accuracy (доля правильных ответов).
""")
with st.expander("Описание данных:"):
st.write("""
Описание данных на которых можель была обучена:
* сalls — количество звонков,
* minutes — суммарная длительность звонков в минутах,
* messages — количество sms-сообщений,
* mb_used — израсходованный интернет-трафик в Мб,
* is_ultra — каким тарифом пользовался в течение месяца («Ультра» — 1, «Смарт» — 0).
"""
)
st.sidebar.header("Признаки для модели машинного обучения")
def user_input_features():
calls = st.sidebar.slider('Количество звонков', 0, 500, 60)
minutes = st.sidebar.slider('Количество потраченных минут', 0, 3000, 400)
messages = st.sidebar.slider('Количество sms-сообщений', 0, 500, 30)
mb_used = st.sidebar.slider('Количество потраченного интернет-трафика, Мб', 0, 70000, 17000)
data = {'calls': calls,
'minutes': minutes,
'messages': messages,
'mb_used': mb_used}
features = pd.DataFrame(data, index=[0])
return features
df = user_input_features()
st.subheader('Таблица с введенными вами параметрами:')
st.write(df)
@st.cache_resource
def get_model():
load_model = pickle.load(open('models/tariff_recommendation.pkl', 'rb'))
return load_model
model = get_model()
prediction = model.predict(df)
prediction_proba = model.predict_proba(df)
st.subheader('Рекомендация')
tariff = np.array(['Smart','Ultra'])
st.write(tariff[prediction])
st.subheader('Вероятность рекомендации')
st.write(prediction_proba)
|