/
Main.py
411 lines (375 loc) · 26.4 KB
/
Main.py
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
import streamlit as st
import pandas as pd
from sklearn import datasets
from sklearn.ensemble import RandomForestClassifier
import numpy as np
import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt
import os
import seaborn as sns
import ML as ml
import DataConverter as dc
import RegressionFunc as rf
import ANN as ann
import itertools
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import confusion_matrix, roc_auc_score
from sklearn.metrics import recall_score
from sklearn.metrics import precision_score
from sklearn.metrics import f1_score
from pprint import pprint
from sklearn.model_selection import StratifiedShuffleSplit
def main():
st.sidebar.header('Прогнозирование банкротства компаний')
page = st.sidebar.selectbox("Навигатор", ["Теория", "Практика","О данных", "Предобработка данных"])
data = load_data()
st.set_option('deprecation.showPyplotGlobalUse', False)
if page == "Теория":
st.header("Прогнозирование банкротства компаний")
st.write("Please select a page on the left.")
# st.image('DataAnal/диплом/pic/main.PNG')
st.header("О методах прогнозирования, используемых в программе")
aboutModels()
info()
elif page == "О данных":
AboutData(data)
Visualize(data)
elif page == "Предобработка данных":
st.title("Предобработка данных")
st.write(data.head())
dc.PrepFor()
elif page == "Практика":
st.title("Data Exploration")
st.write(data.head())
st.write("""# Прогноз финансовых бедствий различных компаний""")
method = st.selectbox("Выбор метода прогнозирования", ["Выбор модели",
"LightGBM",
"Stochastic Gradient Decent",
"Decision Tree",
"Naive Bayes",
"Support Vector Machines",
"KNN",
"Logistic Regression",
"Random Forest",
"Linear Regression",
"XGBoost",
"ANN",
"Вывод"])
if method == "Выбор модели":
st.write("Выбор метода")
elif method == "LightGBM":
params = add_parameter_ui(method)
get_classifier(method, params)
elif method == "Stochastic Gradient Decent":
params = add_parameter_ui(method)
get_classifier(method, params)
elif method == "Decision Tree":
params = add_parameter_ui(method)
get_classifier(method, params)
elif method == "Naive Bayes":
params = add_parameter_ui(method)
get_classifier(method, params)
elif method == "Support Vector Machines":
params = add_parameter_ui(method)
get_classifier(method, params)
elif method == "KNN":
params = add_parameter_ui(method)
get_classifier(method, params)
elif method == "Logistic Regression":
params = add_parameter_ui(method)
get_classifier(method, params)
elif method == "Random Forest":
params = add_parameter_ui(method)
get_classifier(method, params)
elif method == "Linear Regression":
params = add_parameter_ui(method)
get_classifier(method, params)
elif method == "XGBoost":
params = add_parameter_ui(method)
get_classifier(method, params)
elif method == "ANN":
params = add_parameter_ui(method)
get_classifier(method, params)
elif method == "Вывод":
st.title("Сравнение моделей")
st.image('DataAnal/диплом/pic/Итог.PNG')
#добавить настраиваемые параметры в моделях
def get_classifier(clf_name, params):
clf = None
data = load_data()
if clf_name == "Случайный лес":
clf = RandomForest(data, params['n_start'], params['n_stop'], params['n_num'])
elif clf_name == "LightGBM":
clf = ml.LGBM( params['num_leaves'], params['n_estimators'], params['min_child_samples'])
elif clf_name == "Stochastic Gradient Decent":
clf = ml.SGD(params['al'], params['epsilon'], params['eta'], params['n_iter'])
elif clf_name == "Decision Tree":
clf = ml.DT(params['min_samples_splitint'], params['min_samples_leaf'], params['ccp_alphanon_negative'])
elif clf_name == "Naive Bayes":
clf = ml.GNB()
elif clf_name == "Support Vector Machines":
clf = ml.SVM(params['С'], params['degree'], params['cache'])
elif clf_name == "KNN":
clf = ml.KNN(params['n_neighbors'], params['leaf_size'], params['p'])
elif clf_name == "Logistic Regression":
clf = ml.LOR(params['С'], params['max_iter'])
elif clf_name == "Random Forest":
clf = ml.RF(params['max_depth'], params['min_samples_split'], params['min_samples_leaf'])
elif clf_name == "Linear Regression":
clf = ml.LR()
elif clf_name == "Logistic Regression":
clf = ml.LOR(params['С'], params['max_iter'])
elif clf_name == "XGBoost":
clf = ml.XGB()
elif clf_name == "ANN":
clf = ann.ANN(params['epo'], params['batch_size'])
return clf
#посмотреть какие параметры можно изменять и настраивать в моделях
def add_parameter_ui(clf_name):
params = dict()
if clf_name == "Случайный лес":
n_start = st.sidebar.slider('n_start', 10, 200)
params['n_start'] = n_start
n_stop = st.sidebar.slider('n_stop', 300, 500)
params['n_stop'] = n_stop
n_num = st.sidebar.slider('n_num', 50, 1000)
params['n_num'] = n_num
elif clf_name == "LightGBM":
st.sidebar.markdown("num_leaves: int, default=31. Максимальное количество листьев на дереве для базового обучения.")
num_leaves = st.sidebar.slider('num_leaves', 30, 100)
params['num_leaves'] = num_leaves
st.sidebar.markdown("n_estimators: int, default=100. Количество boosted trees для обучения.")
n_estimators = st.sidebar.slider('n_estimators', 50, 200)
params['n_estimators'] = n_estimators
st.sidebar.markdown("min_child_samples: int, default=20. Минимальное количество данных, необходимых для потомка/листа.")
min_child_samples = st.sidebar.slider('min_child_samples', 1, 10)
params['min_child_samples'] = min_child_samples
elif clf_name == "Stochastic Gradient Decent":
st.sidebar.markdown("alpha: float, default=0.0001. Константа, умножающая член регуляризации.")
al = st.sidebar.slider('alpha', 0.01, 0.1)
params['al'] = al
st.sidebar.markdown("epsilon: float, default=0.1. Эпсилон для функции потерь.")
epsilon = st.sidebar.slider('epsilon', 0.1, 1.0)
params['epsilon'] = epsilon
st.sidebar.markdown("eta0: double, default=0.0. Начальная скорость обучения.")
eta = st.sidebar.slider('eta', 0.0, 1.0)
params['eta'] = eta
st.sidebar.markdown("n_iter_no_change: int, default=5. Количество итераций без улучшений, чтобы дождаться досрочной остановки.");
n_iter = st.sidebar.slider('n_iter', 1, 10)
params['n_iter'] = n_iter
elif clf_name == "Decision Tree":
st.sidebar.markdown("min_samples_split: int or float, default=2. Минимальное количество выборок, необходимых для разделения внутреннего узла.")
min_samples_splitint = st.sidebar.slider('min_samples_split', 2, 10)
params['min_samples_splitint'] = min_samples_splitint
st.sidebar.markdown("min_samples_leaf: int or float, default=1. Минимальное количество выборок, которое требуется для конечного узла.")
min_samples_leaf = st.sidebar.slider('min_samples_leaf', 0.01, 0.5)
params['min_samples_leaf'] = min_samples_leaf
st.sidebar.markdown("ccp_alphanon-negative: float, default=0.0. Параметр сложности, используемый для обрезки с минимальными затратами и сложностью.")
ccp_alphanon_negative = st.sidebar.slider('ccp_alphanon_negative', 0.0, 1.0)
params['ccp_alphanon_negative'] = ccp_alphanon_negative
#elif clf_name == "Naive Bayes":
elif clf_name == "Support Vector Machines":
st.sidebar.markdown("C: float, default=1.0. Параметр регуляризации.")
С = st.sidebar.slider('С', 1.0, 2.0)
params['С'] = С
st.sidebar.markdown("degree: int, default=3. Степень полиномиальной функции ядра.")
degree = st.sidebar.slider('degree', 1, 10)
params['degree'] = degree
st.sidebar.markdown("cache_size: float, default=200. Размер кеша ядра (в МБ).")
cache = st.sidebar.slider('cache', 100, 300)
params['cache'] = cache
elif clf_name == "KNN":
st.sidebar.markdown("n_neighbors: int, default=5. Количество соседей для использования.")
n_neighbors = st.sidebar.slider('n_neighbors', 1, 20)
params['n_neighbors'] = n_neighbors
st.sidebar.markdown("leaf_size: int, default=30. Размер листьев, влияет на скорость построения запроса, на объем памяти, необходимый для хранения дерева.")
leaf_size = st.sidebar.slider('leaf_size', 10, 100)
params['leaf_size'] = leaf_size
st.sidebar.markdown("p: int, default=2. Степенный параметр для метрики Минковского.")
p = st.sidebar.slider('p', 2, 10)
params['p'] = p
elif clf_name == "Logistic Regression":
st.sidebar.markdown("C: float, default=1.0. Параметр регуляризации.")
С = st.sidebar.slider('С', 1.0, 2.0)
params['С'] = С
st.sidebar.markdown("max_iter: int, default=100. Максимальное количество итераций.")
max_iter = st.sidebar.slider('max_iter', 50, 200)
params['max_iter'] = max_iter
elif clf_name == "Random Forest":
st.sidebar.markdown("max_depth: int, default=None. Максимальная глубина дерева.")
max_depth = st.sidebar.slider('max_depth', 1, 30)
params['max_depth'] = max_depth
st.sidebar.markdown("min_samples_split: int or float, default=1. Минимальное количество выборок, необходимое для разделения внутреннего узла.")
min_samples_split = st.sidebar.slider('min_samples_split', 0.01, 1.0)
params['min_samples_split'] = min_samples_split
st.sidebar.markdown("min_samples_leaf: int or float, default=1. Минимальное количество выборок, которое требуется для конечного узла.")
min_samples_leaf = st.sidebar.slider('min_samples_leaf', 0.01, 0.5)
params['min_samples_leaf'] = min_samples_leaf
elif clf_name == "ANN":
st.sidebar.markdown("epochs: int. Эпоха - это одна итерация в процессе обучения. Так как компьютеру сложно справиться со всем обучением сразу, его делят на эпохи")
epo = st.sidebar.slider('epochs', 5, 200)
params['epo'] = epo
st.sidebar.markdown("batch_size: int. Общее число тренировочных объектов, представленных в одном обучении")
batch_size = st.sidebar.slider('batch_size', 100, 1000)
params['batch_size'] = batch_size
# elif clf_name == "Linear Regression":
# elif clf_name == "XGBoost":
return params
@st.cache(allow_output_mutation=True)
def load_data():
data = pd.read_csv('DataAnal/диплом/Financial Distress.csv')
return data
def visualize_data(df, x_axis, y_axis):
graph = alt.Chart(df).mark_circle(size=60).encode(
x=x_axis,
y=y_axis,
color='Origin',
tooltip=['Name', 'Origin', 'Horsepower', 'Miles_per_Gallon']
).interactive()
st.write(graph)
@st.cache(allow_output_mutation=True)
def XGBoosting(data):
import xgboost as xgb
xgb_learning_rate = [x for x in np.linspace(start = 0.001, stop = 0.1, num = 10)]
xgb_n_estimators = [int(x) for x in np.linspace(start = 100, stop = 1000, num = 10)]
xgb_booster = ['gbtree', 'dart']
xgb_colsample_bytree = [0.4, 0.6, 0.8, 1.0]
xgb_colsample_bylevel = [0.5, 0.75, 1.0]
xgb_scale_pos_weight = [(len(y_cv) - sum(y_cv))/sum(y_cv)]
xgb_min_child_weight = [1]
xgb_subsample = [0.5, 1.0]
random_grid = {'learning_rate': xgb_learning_rate,
'n_estimators': xgb_n_estimators,
'booster': xgb_booster,
'colsample_bytree': xgb_colsample_bytree,
'colsample_bylevel': xgb_colsample_bylevel,
'scale_pos_weight': xgb_scale_pos_weight,
'min_child_weight': xgb_min_child_weight,
'subsample': xgb_subsample}
xgb_clsf = xgb.XGBClassifier(random_state=10)
xgb_random = RandomizedSearchCV(estimator = xgb_clsf, param_distributions = random_grid, n_iter = 10, cv = 3, verbose=2, random_state=10, n_jobs = -1, refit='f1', scoring=['f1', 'precision', 'recall'])
xgb_random.fit(X_cv, y_cv)
best_xgb_clsf = xgb_random.best_estimator_
best_xgb_clsf.fit(X_cv, y_cv)
return best_xgb_clsf
def AboutData(data):
st.title("Данные для прогнозирования")
st.write(data.head())
st.write("Данные взяты с сайта kaggle")
st.write('Данные взяты https://www.kaggle.com/shebrahimi/financial-distress')
st.write("Этот набор данных предназначен для прогнозирования финансовых бедствий для выборки компаний.")
st.write(data.describe())
if st.checkbox("О файле Financial Distress.csv"):
st.write("Первый столбец: Компания представляет собой образцы компаний.")
st.write("Второй столбец: Время показывает разные периоды времени, которым принадлежат данные. Длина временного ряда варьируется от 1 до 14 для каждой компании.")
st.write("Третий столбец: целевая переменная обозначается как «Финансовый кризис», если она будет больше -0,50, компанию следует считать здоровой (0). В противном случае он был бы расценен как финансово неблагополучный (1).")
st.write("От четвертого до последнего столбца: характеристики, обозначенные от x1 до x83, представляют собой некоторые финансовые и нефинансовые характеристики отобранных компаний. Эти характеристики относятся к предыдущему периоду времени, который следует использовать для прогнозирования того, будет ли компания испытывать финансовые затруднения или нет (классификация). Признак x80 - категориальная переменная")
def aboutModels():
st.header("Где можно использовать линейную регрессию?")
st.write("Это очень мощный метод, и его можно использовать для понимания факторов, влияющих на прибыльность. Его можно использовать для прогнозирования продаж в ближайшие месяцы путем анализа данных о продажах за предыдущие месяцы. Он также может быть использован для получения различной информации о поведении клиентов. К концу блога мы создадим модель, которая выглядит как на картинке ниже, т.е. определим линию, которая наилучшим образом соответствует данным.")
st.image('DataAnal/диплом/pic/linear.gif')
st.image('DataAnal/диплом/pic/mathLinear.PNG')
st.header("Логистическая регрессия")
st.write("Логистическая регрессия обычно используется для целей классификации. В отличие от линейной регрессии, зависимая переменная может принимать ограниченное количество значений только, т. Е. Зависимая переменнаякатегорический, Когда число возможных результатов только два, это называетсяБинарная логистическая регрессия")
st.write("В линейной регрессии выход является взвешенной суммой входных данных. Логистическая регрессия - это обобщенная линейная регрессия в том смысле, что мы не выводим взвешенную сумму входных данных напрямую, а пропускаем ее через функцию, которая может отображать любое действительное значение в диапазоне от 0 до 1.")
st.image('DataAnal/диплом/pic/logistic.gif')
st.header("Случайный лес")
st.write("RF (random forest) — это множество решающих деревьев. В задаче регрессии их ответы усредняются, в задаче классификации принимается решение голосованием по большинству.")
st.image('DataAnal/диплом/pic/random.gif')
st.header("Нейронные сети")
st.write("ИНС представляет собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты (особенно в сравнении с процессорами, используемыми в персональных компьютерах). Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И, тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие по отдельности простые процессоры вместе способны выполнять довольно сложные задачи.")
st.image('DataAnal/диплом/pic/ann1.gif')
def info():
st.header("Статьи и материалы, используемые в работе:")
st.write("Использование Streamlit")
st.write("https://blog.skillfactory.ru/nauka-o-dannyh-data-science/kak-napisat-veb-prilozhenie-dlya-demonstratsii-data-science-proekta-na-python/ https://docs.streamlit.io/en/stable/api.html")
st.write("https://medium.com/nuances-of-programming")
st.write("О работе с несбалансированными данными:")
st.write("https://www.machinelearningmastery.ru/tactics-to-combat-imbalanced-classes-in-your-machine-learning-dataset/")
st.write("https://coderoad.ru/40568254/")
st.write("О моделях прогнозирования")
st.write("Логистическая регрессия:")
st.write("https://www.machinelearningmastery.ru/building-a-logistic-regression-in-python-301d27367c24/")
st.write("https://medium.com/nuances-of-programming")
st.write("Случайный лес:")
st.write("https://dyakonov.org/2016/11/14/")
st.write("https://ru.wikipedia.org/wiki/Random_forest")
st.write("https://www.machinelearningmastery.ru/implement-random-forest-scratch-python/")
st.write("XGBoosting:")
st.write("https://xgboost.readthedocs.io/en/latest/python/python_intro.html")
st.write("https://www.machinelearningmastery.ru/xgboost-python-mini-course/")
st.write("ANN")
st.write("https://en.wikipedia.org/wiki/Artificial_neural_network")
st.write(" https://www.geeksforgeeks.org/implementing-ann-training-process-in-python/")
st.write("https://www.coursera.org/projects/basic-artificial-neural-networks-in-python")
st.write("Прогнозирование временных рядов с помощью рекуррентных нейронных сетей")
st.write("https://habr.com/ru/post/495884/")
st.write("Прогнозирование временных рядов с помощью рекуррентных нейронных сетей LSTM в Python с использованием Keras")
st.write("https://www.machinelearningmastery.ru/time-series-prediction-lstm-recurrent-neural-networks-python-keras/")
st.write("How to Configure XGBoost for Imbalanced Classification")
st.write("https://machinelearningmastery.com/xgboost-for-imbalanced-classification/#:~:text=The%20XGBoost%20algorithm%20is%20effective,over%20the%20model%20training%20procedure.")
st.write("Intro XGboost Classification")
st.write("https://www.kaggle.com/babatee/intro-xgboost-classification")
def plotPerColumnDistribution(df, nGraphShown, nGraphPerRow):
nunique = df.nunique()
df = df[[col for col in df if nunique[col] > 1 and nunique[col] < 50]] # For displaying purposes, pick columns that have between 1 and 50 unique values
nRow, nCol = df.shape
columnNames = list(df)
nGraphRow = (nCol + nGraphPerRow - 1) / nGraphPerRow
figure = plt.figure(num = None, figsize = (6 * nGraphPerRow, 8 * nGraphRow), dpi = 80, facecolor = 'w', edgecolor = 'k')
for i in range(min(nCol, nGraphShown)):
plt.subplot(nGraphRow, nGraphPerRow, i + 1)
columnDf = df.iloc[:, i]
if (not np.issubdtype(type(columnDf.iloc[0]), np.number)):
valueCounts = columnDf.value_counts()
valueCounts.plot.bar()
else:
columnDf.hist()
plt.ylabel('counts')
plt.xticks(rotation = 90)
plt.title(f'{columnNames[i]} (column {i})')
plt.tight_layout(pad = 1.0, w_pad = 1.0, h_pad = 1.0)
st.pyplot(plt.show())
def plotCorrelationMatrix(df, graphWidth):
filename = df.dataframeName
df = df.dropna('columns')
df = df[[col for col in df if df[col].nunique() > 1]]
if df.shape[1] < 2:
print(f'No correlation plots shown: The number of non-NaN or constant columns ({df.shape[1]}) is less than 2')
return
corr = df.corr()
plt.figure(num=None, figsize=(graphWidth, graphWidth), dpi=80, facecolor='w', edgecolor='k')
corrMat = plt.matshow(corr, fignum = 1)
plt.xticks(range(len(corr.columns)), corr.columns, rotation=90)
plt.yticks(range(len(corr.columns)), corr.columns)
plt.gca().xaxis.tick_bottom()
plt.colorbar(corrMat)
plt.title(f'Correlation Matrix for {filename}', fontsize=15)
st.pyplot(plt.show())
def plotScatterMatrix(df, plotSize, textSize):
df = df.select_dtypes(include =[np.number]) # keep only numerical columns
df = df.dropna('columns')
df = df[[col for col in df if df[col].nunique() > 1]] # keep columns where there are more than 1 unique values
columnNames = list(df)
if len(columnNames) > 10: # reduce the number of columns for matrix inversion of kernel density plots
columnNames = columnNames[:10]
df = df[columnNames]
ax = pd.plotting.scatter_matrix(df, alpha=0.75, figsize=[plotSize, plotSize], diagonal='kde')
corrs = df.corr().values
for i, j in zip(*plt.np.triu_indices_from(ax, k = 1)):
ax[i, j].annotate('Corr. coef = %.3f' % corrs[i, j], (0.8, 0.2), xycoords='axes fraction', ha='center', va='center', size=textSize)
plt.suptitle('Scatter and Density Plot')
st.pyplot(plt.show(ax))
def Visualize(data):
data.dataframeName = 'Financial Distress.csv'
nRow, nCol = data.shape
st.write(f' Данные содержат {nRow} строк и {nCol} столбцов')
st.write("Графики распределения:")
plotPerColumnDistribution(data, 10, 5)
st.write("Матрица корреляции:")
plotCorrelationMatrix(data, 21)
st.write("Графики разброса и плотности:")
plotScatterMatrix(data, 20, 10)
if __name__ == "__main__":
main()