study.py

#
#
#
#

from sklearn.preprocessing import StandardScaler, LabelEncoder
from sklearn.model_selection import train_test_split
from keras.models import Sequential
from keras.layers import Dense

import pandas as pd
import numpy as np


label_encoder = LabelEncoder()
scaler = StandardScaler()


# генератор сложностей для планирования и оценки маршрута
def generateLevel(data: list) -> int:
    '''

    '''

    global scaler, label_encoder

    ex = createNetwork()

    new_data = np.array([[39.1, 10.9, 67.4, 101.4, 8.3], [143.5, 24.7, 145.4, 42.0, 2.9],
                            data])
    new_data = scaler.transform(new_data)
    predictions = ex.predict(new_data)

    # Преобразование предсказаний обратно в оригинальные метки
    predicted_labels = label_encoder.inverse_transform(
        predictions.argmax(axis=1))

    return predicted_labels[-1]


def createNetwork() -> object:
    '''

    '''

    # Шаг 1: Загрузка данных из CSV файла
    data = pd.read_csv('data.csv', delimiter=';')

    # Шаг 2: Разделение данных на входные и выходные переменные
    X = data.iloc[:, :-1].values
    y = data.iloc[:, -1].values

    # Шаг 3: Преобразование меток классов

    y = label_encoder.fit_transform(y)

    # Шаг 4: Разделение данных на тренировочный и тестовый наборы
    X_train, X_test, y_train, y_test = train_test_split(
        X, y, test_size=0.2, random_state=42)

    # Шаг 5: Нормализация данных
    X_train = scaler.fit_transform(X_train)
    X_test = scaler.transform(X_test)

    # Шаг 6: Построение модели Keras
    model = Sequential()
    model.add(Dense(units=64, activation='relu', input_dim=X_train.shape[1]))
    model.add(Dense(units=32, activation="relu"))
    model.add(Dense(units=3, activation='softmax'))

    # Шаг 7: Компиляция и обучение модели
    model.compile(optimizer='adam',
                    loss='sparse_categorical_crossentropy', metrics=['accuracy'])
    model.fit(X_train, y_train, epochs=50, batch_size=32,
                validation_data=(X_test, y_test))

    # Шаг 8: Оценка модели
    loss, accuracy = model.evaluate(X_test, y_test)

    return model


if __name__ == "__main__":
    example = []
    lvl = generateLevel(example)
    print(lvl)