Update app.py

app.py

@@ -1,23 +1,28 @@
 import streamlit as st
 import pandas as pd
 import numpy as np
-from sklearn.preprocessing import StandardScaler
 import pickle
-import joblib
+import json
 
 # Загрузка сохраненной модели и других необходимых объектов
 @st.cache_resource
 def load_model():
     with open('model.pkl', 'rb') as file:
         model = pickle.load(file)
-    scaler = joblib.load('scaler.joblib')
-    feature_list = joblib.load('features.joblib')
-    categorical_features = joblib.load('categorical_features.joblib')
-    categorical_options = joblib.load('categorical_options.joblib')
-    group_names = joblib.load('group_names.joblib')
-    return model, scaler, feature_list, categorical_features, categorical_options, group_names
+    
+    with open('scaler.pkl', 'rb') as file:
+        scaler = pickle.load(file)
+    
+    with open('data.json', 'r', encoding='utf-8') as f:
+        data = json.load(f)
+    
+    return model, scaler, data
 
-model, scaler, feature_list, categorical_features, categorical_options, group_names = load_model()
+model, scaler, data = load_model()
+feature_list = data['features']
+categorical_features = data['categorical_features']
+categorical_options = data['categorical_options']
+group_names = data['group_names']
 
 st.title('Классификатор пациентов')
 
@@ -28,15 +33,14 @@ def get_user_input():
     # Числовые признаки
     st.subheader('Числовые параметры')
     for feature in feature_list:
-        if feature not in categorical_features:  # список категориальных признаков нужно определить
+        if feature not in categorical_features:
             input_data[feature] = st.number_input(f'{feature}', value=0.0)
     
     # Категориальные признаки
     st.subheader('Категориальные параметры')
-    for feature in feature_list:
-        if feature in categorical_features:  # список категориальных признаков
-            options = categorical_options[feature]  # словарь с возможными значениями для каждого признака
-            input_data[feature] = st.selectbox(f'{feature}', options)
+    for feature in categorical_features:
+        options = categorical_options[feature]
+        input_data[feature] = st.selectbox(f'{feature}', options)
     
     return input_data
 
@@ -57,12 +61,17 @@ if st.button('Выполнить классификацию'):
             input_df_encoded[col] = 0
     
     # Масштабирование числовых признаков
-    numeric_cols = [col for col in input_df_encoded.columns if col not in categorical_features]
+    numeric_cols = [col for col in feature_list if col not in categorical_features]
     input_df_encoded[numeric_cols] = scaler.transform(input_df_encoded[numeric_cols])
     
     # Получение предсказания
     prediction = model.predict(input_df_encoded[feature_list])
+    probabilities = model.predict_proba(input_df_encoded[feature_list])[0]
     
     # Отображение результата
-    group_names = {0: 'контр', 1: 'топирамат', 2: 'леветирацетам'}
-    st.success(f'Предсказанная группа: {group_names[prediction[0]]}')
+    st.success(f'Предсказанная группа: {group_names[str(prediction[0])]}')
+    
+    # Вывод вероятностей
+    st.write('Вероятности для каждой группы:')
+    for i, prob in enumerate(probabilities):
+        st.write(f'{group_names[str(i)]}: {prob:.2f}')