Dodanie generowanie wykresu z metrykami

Jenkinsfile-evaluation

@@ -49,6 +49,12 @@ pipeline{
             }
         }
 
+         stage('Plotly metrics chart'){
+            steps{
+                sh "docker run -v ${env.WORKSPACE}:/app ium python3 /app/metrics-chart.py"
+            }
+        }
+
         stage('Archive prediction results'){
             steps{
                 sh "docker cp \$(docker ps -l -q):/app/results_prediction.csv ${env.WORKSPACE}"

metrics-chart.py

@@ -0,0 +1,31 @@
+# Mając skumulowane wartości metryk z wszystkich dotychczasowych buildów, 
+# stwórz wykres: na osi X numer builda, na osi Y wartość metryk(i)
+
+import pandas as pd
+import matplotlib.pyplot as plt
+
+# wczytanie pliku csv z metrykami
+metrics_df = pd.read_csv('metrics.csv')
+
+# Podział wartości
+build_numbers = metrics_df['Build Number']
+accuracy_values = metrics_df['Accuracy']
+precision_values = metrics_df['Micro-avg Precision']
+recall_values = metrics_df['Micro-avg Recall']
+f1_score_values = metrics_df['F1 Score']
+rmse_values = metrics_df['RMSE']
+
+# Plotowanie wykresu
+plt.plot(build_numbers, accuracy_values, label='Accuracy')
+plt.plot(build_numbers, precision_values, label='Micro-avg Precision')
+plt.plot(build_numbers, recall_values, label='Micro-avg Recall')
+plt.plot(build_numbers, f1_score_values, label='F1 Score')
+plt.plot(build_numbers, rmse_values, label='RMSE')
+
+plt.legend()
+plt.xlabel('Build number')
+plt.ylabel('Value metric')
+
+plt.savefig('metrics_chart_plot.png')
+
+plt.show()