-
Notifications
You must be signed in to change notification settings - Fork 0
/
3_✅_Predict.py
214 lines (148 loc) · 7.39 KB
/
3_✅_Predict.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
import streamlit as st
import pandas as pd
# import numpy as np
# import io
# import pickle
# from xgboost import XGBClassifier
from functions import *
# import time
st.set_page_config(
page_title="TEA WebApp",
page_icon="👀",
menu_items={
'Get Help': 'https://github.com/Rchatru/TEA-WebApp/',
'Report a bug': "https://github.com/Rchatru/TEA-WebApp/issues",
'About': "# TEA WebApp. Roberto Chávez Trujillo."
}
)
if "predict_button1" not in st.session_state:
st.session_state.predict_button1 = False
if "predict_button2" not in st.session_state:
st.session_state.predict_button2 = False
st.markdown('''
# ✅ Results & Predictions
En esta pantalla se puede consultar la predicción para un individuo o grupos en concreto que efectúa el modelo XGBoost entrenado.
''')
st.markdown('''
Aunque la página se encarga de adecuar los datos a la forma requerida, se recomienda que el usuario introduzca los datos de entrada en
el formato CSV siguiendo el siguiente esquema de columnas:
''')
st.table(
pd.DataFrame([[750,326,1,0,0],[0,0,0,1,0],[120,562,0,0,1]],
columns=['FixationPointX_(MCSpx)', 'FixationPointY_(MCSpx)', 'Fixation', 'Saccade', 'Unclassified'])
)
st.caption('''
Nota: El modelo actual desarrollado sólo precisa los datos de la escena 6 y se basa únicamente en las variables
`['FixationPointX_(MCSpx)','FixationPointY_(MCSpx)','Fixation','Saccade','Unclassified']`.
También se espera que el fichero de datos se encuentre estandarizado y codificado mediante One-Hot Encoding.
''')
# Upload individual's data to be tested
with st.sidebar.header('1. Upload your data file'):
input = st.sidebar.file_uploader("Upload your input file", type=["csv"])
if input is not None:
st.subheader('''
Vista previa de los datos de entrada:
''')
df = pd.read_csv(input,sep=';')
st.dataframe(df.head())
with st.expander("See dataset debug info"):
st.text(df_info(df))
st.subheader('''
Vista previa de los datos procesados:
''')
new_df = check_df(df)
st.dataframe(new_df.head())
with st.expander("See dataset debug info"):
st.text(df_info(new_df))
# Predicción
if st.button('Predict !',key='button_test1') or st.session_state.predict_button1:
st.session_state.predict_button1 = True
st.markdown('''
## ✅ Resultados
A continuación, se muestra el dataset original junto a una nueva columna `Pred` que contiene la
predicción del modelo para cada una de las muestras individuales (filas).
''')
pred = predict(new_df)
st.dataframe(pred)
# DEBUG: eliminar al terminar
# with st.expander("See dataset debug info"):
# st.text(df_info(pred))
st.success('Prediction done!')
st.markdown('''
### 📊 Predicciones Individuales
Finalmente, se detalla la clasificación a nivel de individuo. Por un lado, se indica el número de muestras disponibles por cada individuo, así
como la cantidad de ellas que han sido clasificadas como TEA y Control. Por otro lado, se tiene un deslizador que permite variar el umbral empleado
para determinar la clasificación de cada individuo.
''')
# Ahora se muestran los resultados
col1,col2 = st.columns(2)
col1.subheader('Predicciones individuales')
col2.subheader('Umbral de clasificación')
umbral = col2.slider('Ajuste el umbral de decisión', min_value=50, max_value=100, step=1)
cross_tab = crosstab(pred)
col1.dataframe(cross_tab)
unique_id = pred.id.unique()
col = st.columns(len(unique_id))
for col,ind in zip(col,unique_id):
percent,tipo,color = metrics(pred,ind,umbral)
col.metric(label="Individio " + str(ind), value=percent, delta=tipo, delta_color=color)
if st.button('Refresh cache',help='Click para eliminar la cache, doble click para recargar'):
st.session_state.predict_button1 = False
st.experimental_memo.clear()
csv = convert_df(pred)
with st.sidebar:
st.header('2. Download results file')
st.download_button('Download file', csv, 'results.csv', 'text/csv',key='download-csv')
else:
with st.sidebar:
placeholder = st.empty()
st.sidebar.caption('<p style="color:#484a55;">Cargar fichero con los individuos de test</p>', unsafe_allow_html=True)
# NOTE: Se puede sustituir por un botón utilizando session_state
if not st.sidebar.checkbox("Test Dataset"):
placeholder.info("No se ha cargado ningún fichero. Seleccione uno o escoja el dataset de test disponible.")
else:
# st.session_state.man_test = 1
df = upload_test_data()
st.subheader('''
Vista previa de los datos de entrada:
''')
st.dataframe(df.head())
with st.expander("See dataset debug info"):
st.text(df_info(df))
# Predicción
if st.button('Predict !',key='button_test2') or st.session_state.predict_button2:
st.session_state.predict_button2 = True
st.markdown('''
## ✅ Resultados
A continuación, se muestra el dataset original junto a una nueva columna `Pred` que contiene la
predicción del modelo para cada una de las muestras individuales (filas).
''')
pred = predict(df)
st.dataframe(pred)
st.success('Prediction done!')
st.markdown('''
### 📊 Predicciones Individuales
Finalmente, se detalla la clasificación a nivel de individuo. Por un lado, se indica el número de muestras disponibles por cada individuo, así
como la cantidad de ellas que han sido clasificadas como TEA y Control. Por otro lado, se tiene un deslizador que permite variar el umbral empleado
para determinar la clasificación de cada individuo.
''')
# Ahora se muestran los resultados
col1,col2 = st.columns(2)
col1.subheader('Predicciones individuales')
col2.subheader('Umbral de clasificación')
umbral = col2.slider('Ajuste el umbral de decisión', min_value=50, max_value=100, step=1)
cross_tab = crosstab(pred)
col1.dataframe(cross_tab)
unique_id = df.id.unique()
col = st.columns(len(unique_id))
for col,ind in zip(col,unique_id):
percent,tipo,color = metrics(pred,ind,umbral)
col.metric(label="Individio " + str(ind), value=percent, delta=tipo, delta_color=color)
if st.button('Refresh cache',help='Click para eliminar la cache, doble click para recargar'):
st.session_state.predict_button2 = False
st.experimental_memo.clear()
csv = convert_df(pred)
with st.sidebar:
st.header('2. Download results file')
st.sidebar.caption('<p style="color:#484a55;">Descarga fichero procesado junto a predicción</p>', unsafe_allow_html=True)
st.download_button('Download file', csv, 'results.csv', 'text/csv',key='download-csv')