О! Хакатон — Тегирование тарифов — Reference Implementation Docker Compose version

Описание трека — https://docs.ostrovok.tech/s/hackathon-track-2

Презентация: https://www.figma.com/design/IPURs20yY1JCWVihsn5GjI

Описание решения

Модель основана на MLPClassifier из библиотеки scikit-learn.

Ключевые особенности:

• Гибкость: Модель может предсказывать 3, 7 или 10 параметров номера, регулируемое с помощью флага --pred_type при запуске.
• Обучение: Модель может быть обучена с использованием предоставленных данных или загружена уже обученная.
• Простая интеграция: Нейронная сеть обернута в удобный класс для легкой интеграции и масштабирования.
• Высокая производительность: Модель демонстрирует впечатляющую скорость (88 микросекунд) и точность (94.5%) при предсказании 7 параметров на 12 000 наименований.

Запуск

 >> mkdir data
 >> curl [ссылка на файл] -o data/sanity_check_in.csv
 >> docker build -t app .
 >> docker run app --content "/opt/data/sanity_check_in.csv" > result.csv

Параметры запуска:

• --pred_type: Управляет количеством предсказываемых параметров:
  • 0: 3 параметра
  • 1 (по умолчанию): 7 параметров
  • 2: 10 параметров
• --need_create: Управляет режимом работы:
  • 0 (по умолчанию): Загрузить обученную модель
  • 1: Обучить модель с помощью данных

Пример:

 >> mkdir data
 >> curl https://raw.githubusercontent.com/OptonGroup/geoma_from_sirius/refs/heads/main/rates_clean.csv -o data/sanity_check_in.csv
 >> docker build -t app .
 >> docker run app --pred_type 1 --need_create 0 --content "/opt/data/sanity_check_in.csv" > result.csv