s458023
/
ium_458023
1
0
Fork 0
Code Issues Pull Requests Projects Releases Wiki Activity

updated code

This commit is contained in:
Mateusz Kuc 2023-06-30 20:42:31 +02:00
parent bcf4a41793
commit d467d06213
1 changed files with 15 additions and 32 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

47
wines_train.py
View File

@ -1,46 +1,28 @@
import pandas as pd
from sklearn.model_selection import train_test_split
import tensorflow as tf
import pandas as pd
import numpy as np
# Wczytanie danych z pliku CSV
# Wczytanie danych treningowych
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)
# Usunięcie rekordów zawierających wartości NaN w kolumnach 'points' i 'price'
data = data.dropna(subset=['points', 'price'])
# 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')
# Przygotowanie danych wejściowych i wyjściowych
input_data = data[['price', 'points']] # Wejście modelu (kolumny 'price' i 'points')
output_data = data['price'] # Oczekiwane wyjście modelu (kolumna 'price')
# 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
input_array = input_data.values
output_array = output_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
input_mean = np.mean(input_array, axis=0)
input_std = np.std(input_array, axis=0)
input_array = (input_array - input_mean) / input_std
# Utworzenie modelu przy użyciu TensorFlow
input_size = train_input_array.shape[1]
input_size = input_array.shape[1]
output_size = 1 # Jeden wymiar dla wyjścia modelu (kolumna 'price')
model = tf.keras.models.Sequential([
@ -53,6 +35,7 @@ model = tf.keras.models.Sequential([
model.compile(optimizer='adam', loss='mse')
# Uczenie modelu
model.fit(train_input_array, train_output_array, epochs=100, batch_size=32, verbose=1)
history = model.fit(input_array, output_array, epochs=10, batch_size=32, verbose=1)
# Zapisanie wytrenowanego modelu do pliku
model.save('trained_model_tf.h5')