container_classifier

Система объединяет экспертный решатель на базе правил и отдельный ML-модуль. Экспертная классификация выполняется по методу опровержения гипотез, а ML-модель используется только по отдельному запросу пользователя через кнопку «Определить предполагаемый».

Возможности

• режим редактора базы знаний;
• режим классификатора контейнеров;
• переобучение ML-модели при добавлении новых свойств;
• редактирование базы знаний: контейнеры, свойства, допустимые значения, описание свойств вида и значения для вида;
• проверка полноты базы знаний;
• классификация контейнеров по экспертным правилам без автоматического запуска ML;
• вывод объяснений: подходящие контейнеры и причины опровержения остальных гипотез;
• вывод оценки ML-модели.

Логика работы

Экспертная классификация

Кнопка «Определить вид контейнера» запускает только экспертный решатель. Система сравнивает введённые свойства образца с описаниями контейнеров в базе знаний и формирует список подходящих видов.

Возможные результаты:

• не введены данные — система просит заполнить хотя бы одно свойство;
• есть ошибки ввода — система показывает, какое значение некорректно;
• нет подходящих контейнеров — все гипотезы опровергнуты;
• найден один подходящий контейнер — выводится однозначный результат;
• найдено несколько подходящих контейнеров — выводится список кандидатов, но ML автоматически не запускается.

ML-классификация

Кнопка «Определить предполагаемый» запускает отдельную классификацию с точки зрения обученной модели. ML можно запросить в любом случае: при одном найденном экспертном варианте, при нескольких вариантах или просто после ввода признаков.

ML-результат не заменяет экспертный решатель. Он выводится отдельно как дополнительная оценка модели. В списке вероятностей отображаетый только самый вероятный кандидат.

Переобучение модели

Переобучение модели происходит после добавления новых свойств и нажатии на кнопку "Определить предполагаемый" после классификации

Запуск

• Скопировать файл командой cp .env.example .env
• Заполнить новый .env файл данными
• Набрать в терминале команду docker-compose up --build -d

Зависимости

Проект использует Python 3.11+ и следующие библиотеки:

• streamlit
• psycopg2

Пример входных данных

Для проверки классификации можно использовать значения:

Длина: 20 фт
Высота: 8.6 фт
Тип перевозимого груза: генеральный
Вид погрузки: стандартный

Экспертный решатель должен найти подходящий контейнер на основе правил базы знаний. ML-модель можно запросить отдельно через кнопку «Определить предполагаемый.