ium_458023/wines_train.py

import pandas as pd
from sklearn.model_selection import train_test_split
import tensorflow as tf
import numpy as np

# Wczytanie danych z pliku CSV
data = pd.read_csv('data/winemag-data_first150k.csv')

# Podział danych na zbiory treningowe, deweloperskie (validation) i testowe
train_data, temp_data = train_test_split(data, test_size=0.2, random_state=42)
dev_data, test_data = train_test_split(temp_data, test_size=0.5, random_state=42)

# Zapisanie danych do osobnych plików CSV
train_data.to_csv('train_data.csv', index=False)
dev_data.to_csv('dev_data.csv', index=False)
test_data.to_csv('test_data.csv', index=False)



# # Wczytanie danych treningowych
# train_data = pd.read_csv('train_data.csv')
# dev_data = pd.read_csv('dev_data.csv')

# Przygotowanie danych wejściowych i wyjściowych dla treningu
train_input_data = train_data[['price', 'points']]  # Wejście modelu (kolumny 'price' i 'points')
train_output_data = train_data['price']  # Oczekiwane wyjście modelu (kolumna 'price')

# Przygotowanie danych wejściowych dla predykcji
dev_input_data = dev_data[['price', 'points']]  # Wejście modelu dla predykcji (kolumny 'price' i 'points')

# Konwersja danych do numpy arrays
train_input_array = train_input_data.values
train_output_array = train_output_data.values
dev_input_array = dev_input_data.values

# Normalizacja danych wejściowych
input_mean = np.mean(train_input_array, axis=0)
input_std = np.std(train_input_array, axis=0)
train_input_array = (train_input_array - input_mean) / input_std
dev_input_array = (dev_input_array - input_mean) / input_std

# Utworzenie modelu przy użyciu TensorFlow
input_size = train_input_array.shape[1]
output_size = 1  # Jeden wymiar dla wyjścia modelu (kolumna 'price')

model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(64, activation='relu', input_shape=(input_size,)),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(output_size)
])

# Kompilacja modelu
model.compile(optimizer='adam', loss='mse')

# Uczenie modelu
model.fit(train_input_array, train_output_array, epochs=100, batch_size=32, verbose=1)

model.save('trained_model_tf.h5')