Izmenjen je mlservice.py fajl. Promenjive su povezane sa neuronstellar\backend\microservice\PythonServer\project\api\api.py fajlom i omogućeno je prihvatanje vrednosti sa servera. Kreirana je klasa za povratne vrednosti.

1 files changed, 282 insertions, 233 deletions

diff --git a/backend/microservice/mlservice.py b/backend/microservice/mlservice.py
index 0780697c..f8e98184 100644
--- a/backend/microservice/mlservice.py
+++ b/backend/microservice/mlservice.py
@@ -1,286 +1,335 @@
+from typing_extensions import Self
 import pandas as pd
 import tensorflow as tf
 import keras
 import numpy as np
-import matplotlib.pyplot as plt   
 
-### 1)Ucitavanje vrednosti
-
-#print(1)
-data1=pd.read_csv('titanic.csv')
-data=data1.copy()
-#print(data.head())
-
-### U promenjivoj kolone nalaze se nazivi svih kolona seta podataka
-kolone=data.columns
-#print(kolone[1])
-#print(data[kolone[1]].isnull().sum())
-#print(data[kolone[1]].head(10))
-
-
-### 2)Proveravanje svih kolona za null vrednosti i popunjavanje medijanom ili srednjom vrednosti ili birisanje
-
-#####Part2 #####
-brisanje=input("DA LI ZELITE DA IZBRSETE SVE KOLONE SA NULL VREDNOSTIMA? ")
-if(brisanje=='da'):
-    data=data.dropna(axis=1)
-elif(brisanje=='ne'):
-    brisanjer=input("DA LI ZELITE DA IZBRISETE SVE REDOVE SA NULL VREDNOSTINA ")
-    if(brisanjer=='da'):
-        data=data.dropna()
-    elif(brisanjer=='ne'):
-
-        for i in range(len(kolone)):
-            if(isinstance(data[kolone[i]].dtype, pd.CategoricalDtype)):
-                print('cat')
-
-            if(data[kolone[i]].isnull().any()):
-                tippodataka=data[kolone[i]].dtype
-                kolona=data[kolone[i]].copy()
-        
-                if(tippodataka==np.float64 or tippodataka==np.int64):
-                    popunjavanje=input("UNETI NACIN POPUNJAVANJA PROMENJIVIH SA NULL VREDNOSTIMA ")
-                    if(popunjavanje=='medijana'):
-                        medijana=kolona.mean()
-                        data[kolone[i]]=data[kolone[i]].fillna(medijana)
-                    if(popunjavanje=='srednjavrednost'):
-                        sv=data[kolone[i]].sum()/data[kolone[i]].count()
-                        data[kolone[i]]=sv
-                    if(popunjavanje=='brisanjekolone'):
-                        data=data.dropna(axis=1)
-
-                elif(tippodataka==np.object_):
-                    najcescavrednost=kolona.value_counts().index[0]
-                    data[kolone[i]]=data[kolone[i]].fillna(najcescavrednost)
-
-### 3)Izbacivanje kolona koje ne uticu na rezultat PART2
-nredova=data.shape[0]
-for i in range(len(kolone)):
-    if((data[kolone[i]].nunique()>(nredova/2)) and( data[kolone[i]].dtype==np.object_)):
-        data.pop(kolone[i])
-
-print(data.head(10))
-
-### 4)izbor tipa enkodiranja
-kolone=data.columns ### Azuriranje postojecih kolona nakon moguceg brisanja
-
-enc=input("UNETI TIP ENKODIRANJA ")
-onehot=0
-
-### 5)Enkodiranje svih kategorijskih promenjivih label-encode metodom
-
-if(enc=='label'):
-    from sklearn.preprocessing import LabelEncoder
-    encoder=LabelEncoder()
-    for k in range(len(kolone)):
-        if(data[kolone[k]].dtype==np.object_):
-           data[kolone[k]]=encoder.fit_transform(data[kolone[k]])
-    print(data.head(20))
-
-### 6)Enkodiranje svih kategorijskih promenjivih onehot metodom
-
-elif(enc=='onehot'):
-    ### PART2###
-    onehot==1
-    kategorijskekolone=[]
-    for k in range(len(kolone)):
-        if(data[kolone[k]].dtype==np.object_):
-            
-            kategorijskekolone.append(kolone[k]) ###U kategorijske kolone smestaju se nazivi svih kolona sa kategorijskim podacima
+from copyreg import constructor
+import flask
+from flask import request, jsonify, render_template
+from sklearn.preprocessing import LabelEncoder
+import csv
+import json
+class Response:
+    def __init__(self,history,rezultat,tacnost,preciznost,recall,spec,f1,classificationreport,mse,mae,mape,rmse,cmatrix,fpr,tpr):
+        self.history=history
+        self.rezultat=rezultat
+        self.tacnost=tacnost
+        self.preciznost=preciznost
+        self.recall=recall
+        self.spec=spec
+        self.f1=f1
+        self.classificationreport=classificationreport
+        self.mse=mse
+        self.mae=mae
+        self.mape=mape
+        self.rmse=rmse
+        self.cmatrix=cmatrix
+        self.fpr=fpr
+        self.tpr=tpr
+
+    ### 1)Ucitavanje vrednosti
+def obuka(data,params):
+    import numpy as np
+    import pandas as pd
+    import tensorflow as tf
+    import matplotlib.pyplot as plt   
+    #print(1)
+    #data1=pd.read_csv('titanic.csv')
+    #data=data1.copy()
+    #print(data.head())
+
+    ### U promenjivoj kolone nalaze se nazivi svih kolona seta podataka
+    kolone=data.columns
+    #print(kolone[1])
+    #print(data[kolone[1]].isnull().sum())
+    #print(data[kolone[1]].head(10))
+
+
+    ### 2)Proveravanje svih kolona za null vrednosti i popunjavanje medijanom ili srednjom vrednosti ili birisanje
+
+    #####Part2 #####
+    '''
+    brisanje=input("DA LI ZELITE DA IZBRSETE SVE KOLONE SA NULL VREDNOSTIMA? ")
     
-    print(kategorijskekolone)
-
-    ### Enkodiranje 
-    data=pd.get_dummies(data,columns=kategorijskekolone,prefix=kategorijskekolone)
-    print(data.head(10))
-
-kolone=data.columns ### Azuriranje kolona nakon moguceg dodavanja
-
-### 7)Podela skupa na skup za trening i skup za testiranje
-
-predvidetikol=input("UNETI NAZIV KOLONE ČIJU VREDNOST TREBA PREDVIDETI ")
-
-xkolone=[]
-for k in range(len(kolone)):
-        if(kolone[k]!=predvidetikol):
+    brisanje=True
+    if(brisanje=='da'):
+        data=data.dropna(axis=1)
+    elif(brisanje=='ne'):
+        brisanjer=input("DA LI ZELITE DA IZBRISETE SVE REDOVE SA NULL VREDNOSTINA ")
+        if(brisanjer=='da'):
+            data=data.dropna()
+        elif(brisanjer=='ne'):
+
+            for i in range(len(kolone)):
+                if(isinstance(data[kolone[i]].dtype, pd.CategoricalDtype)):
+                    print('cat')
+
+                if(data[kolone[i]].isnull().any()):
+                    tippodataka=data[kolone[i]].dtype
+                    kolona=data[kolone[i]].copy()
             
-            xkolone.append(kolone[k])###U xkolone se smestaju nazivi kolona cije vrednosti nije potrebno predvideti !!!Prefiks one-hot!!!
-
-### 7.1)Podela na x i y
-###Dodavanje vrednosti u x
-x=data[xkolone].values
-###Dodavanje vrednosti u y, samo za label enkodiranje, bez prefiksa
-y=data[predvidetikol].values
-
-print(data[xkolone].head(10))
-print(data[predvidetikol].head(10))
-
-### 7.2)Unos velicina za trening i test skup
-trening=int(input('UNETI VELIČINU TRENING SKUPA '))
-#test=int(input("UNETI VELICINU TESTNOG SKUPA"))
-
-###Provera unetih velicina
-if(trening<=0 or trening>=100):
-    print("POGREŠAN UNOS VELIČINE SKUPA ZA TRENING")
-if(trening>1):
-    trening=trening/100
-
-### 7.3)Da li korisnik zeli nasumicno rasporedjivanje podataka?
-nasumicno=input("DA LI ŽELITE NASUMIČNO RASPOREDJIVANJE PODATAKA U TRENING I TEST SKUP? ")
-###!!!Dugme za nasumici izbor
-if(nasumicno=='da'):
-    random=50
-else:
-    random=0
+                    if(tippodataka==np.float64 or tippodataka==np.int64):
+                        popunjavanje=input("UNETI NACIN POPUNJAVANJA PROMENJIVIH SA NULL VREDNOSTIMA ")
+                        if(popunjavanje=='medijana'):
+                            medijana=kolona.mean()
+                            data[kolone[i]]=data[kolone[i]].fillna(medijana)
+                        if(popunjavanje=='srednjavrednost'):
+                            sv=data[kolone[i]].sum()/data[kolone[i]].count()
+                            data[kolone[i]]=sv
+                        if(popunjavanje=='brisanjekolone'):
+                            data=data.dropna(axis=1)
+
+                    elif(tippodataka==np.object_):
+                        najcescavrednost=kolona.value_counts().index[0]
+                        data[kolone[i]]=data[kolone[i]].fillna(najcescavrednost)
+
+    '''  
+    ### 3)Izbacivanje kolona koje ne uticu na rezultat PART2
+    nredova=data.shape[0]
+    for i in range(len(kolone)):
+        if((data[kolone[i]].nunique()>(nredova/2)) and( data[kolone[i]].dtype==np.object_)):
+            data.pop(kolone[i])
 
-### 7.4)Podela podataka
-from sklearn.model_selection import train_test_split
-x_train,x_test,y_train,y_test=train_test_split(x,y,train_size=trening,random_state=random)
 
-### 8)Skaliranje podataka
-from sklearn.preprocessing import StandardScaler
-scaler=StandardScaler()
-scaler.fit(x_train)
-x_test=scaler.transform(x_test)
-x_train=scaler.transform(x_train)
+    print(data.head(10))
 
-#####ZAVRSENA PRIPREMA PODATAKA#####
+    ### 4)izbor tipa enkodiranja
+    kolone=data.columns ### Azuriranje postojecih kolona nakon moguceg brisanja
+
+    #enc=input("UNETI TIP ENKODIRANJA ")
+    enc=params["encoding"]
+    onehot=0
+
+    ### 5)Enkodiranje svih kategorijskih promenjivih label-encode metodom
+
+    if(enc=='label'):
+        from sklearn.preprocessing import LabelEncoder
+        encoder=LabelEncoder()
+        for k in range(len(kolone)):
+            if(data[kolone[k]].dtype==np.object_):
+                data[kolone[k]]=encoder.fit_transform(data[kolone[k]])
+        print(data.head(20))
+
+    ### 6)Enkodiranje svih kategorijskih promenjivih onehot metodom
+
+    elif(enc=='onehot'):
+        ### PART2###
+        onehot==1
+        kategorijskekolone=[]
+        for k in range(len(kolone)):
+            if(data[kolone[k]].dtype==np.object_):
+                
+                kategorijskekolone.append(kolone[k]) ###U kategorijske kolone smestaju se nazivi svih kolona sa kategorijskim podacima
+        
+        print(kategorijskekolone)
 
-#####OBUCAVANJE MODELA#####
+        ### Enkodiranje 
+        data=pd.get_dummies(data,columns=kategorijskekolone,prefix=kategorijskekolone)
+        print(data.head(10))
 
-### 9)Inicijalizacija vestacke neuronske mreze
+    kolone=data.columns ### Azuriranje kolona nakon moguceg dodavanja
 
-classifier=tf.keras.Sequential()
+    ### 7)Podela skupa na skup za trening i skup za testiranje
 
-### 10)Dodavanje prvog,ulaznog sloja
-aktivacijau=input("UNETI ŽELJENU AKTIVACIONU FUNKCIJU ULAZNOG SLOJA ")
-brojnu=int(input("UNETI BROJ NEURONA ULAZNOG SLOJA "))
+    #predvidetikol=input("UNETI NAZIV KOLONE ČIJU VREDNOST TREBA PREDVIDETI ")
+    ###sta se cuva od promenjivih broj kolone ili naziv kolone???
+    predvidetikol=params["columnToPredict"]
 
-classifier.add(tf.keras.layers.Dense(units=brojnu,activation=aktivacijau,input_dim=x_train.shape[1]))
+    xkolone=[]
+    for k in range(len(kolone)):
+            if(kolone[k]!=predvidetikol):
+                
+                xkolone.append(kolone[k])###U xkolone se smestaju nazivi kolona cije vrednosti nije potrebno predvideti !!!Prefiks one-hot!!!
 
-### 11)Dodavanje drugog, skrivenog sloja
-aktivacijas=input("UNETI ŽELJENU AKTIVACIONU FUNKCIJU SKRIVENOG SLOJA ")
-brojns=int(input("UNETI BROJ NEURONA SKRIVENOG SLOJA "))
+    ### 7.1)Podela na x i y
+    ###Dodavanje vrednosti u x
+    x=data[xkolone].values
+    ###Dodavanje vrednosti u y, samo za label enkodiranje, bez prefiksa
+    y=data[predvidetikol].values
 
-classifier.add(tf.keras.layers.Dense(units=brojns,activation=aktivacijas))
+    print(data[xkolone].head(10))
+    print(data[predvidetikol].head(10))
 
-### 12) Dodavanje treceg, izlaznog sloja
-aktivacijai=input("UNETI ŽELJENU AKTIVACIONU FUNKCIJU IZLAZNOG SLOJA ")
+    ### 7.2)Unos velicina za trening i test skup
+    #trening=int(input('UNETI VELIČINU TRENING SKUPA '))
+    #test=int(input("UNETI VELICINU TESTNOG SKUPA"))
+    test=params["randomTestSetDistribution"]
+    ###Provera unetih velicina
+    if(test<=0 or test>=100):
+        print("POGREŠAN UNOS VELIČINE SKUPA ZA TRENING")
+    if(test>1):
+        test=test/100
 
-classifier.add(tf.keras.layers.Dense(units=1,activation=aktivacijai))
+    ### 7.3)Da li korisnik zeli nasumicno rasporedjivanje podataka?
+    #nasumicno=input("DA LI ŽELITE NASUMIČNO RASPOREDJIVANJE PODATAKA U TRENING I TEST SKUP? ")
+    nasumicno=params["randomTestSet"]
+    ###!!!Dugme za nasumici izbor
+    if(nasumicno):
+        random=50
+    else:
+        random=0
 
+    ### 7.4)Podela podataka
+    from sklearn.model_selection import train_test_split
+    x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=test,random_state=random)
 
-### 13) Kompajliranje neuronske mreze
-#gubici=input("UNETI FUNKCIJU OBRADE GUBITAKA ")
-optimizator=input("UNETI ŽELJENI OPTIMIZATOR ")
+    ### 8)Skaliranje podataka
+    from sklearn.preprocessing import StandardScaler
+    scaler=StandardScaler()
+    scaler.fit(x_train)
+    x_test=scaler.transform(x_test)
+    x_train=scaler.transform(x_train)
 
-### 13.1)Izbor metrike za kompajler PART2
-metrike=[]
-while(1):
-    m=input("UNETI ZELJENE METRIKE ")
-    
-    if(m=='KRAJ'):
-        break   
-    metrike.append(m)
-classifier.compile(optimizer=optimizator, loss='binary_crossentropy',metrics = metrike)
+    #####ZAVRSENA PRIPREMA PODATAKA#####
 
-### 14) 
-uzorci=int(input("UNETI KOLIKO UZORAKA ĆE BITI UNETO U ISTO VREME "))
+    #####OBUCAVANJE MODELA#####
 
-history=classifier.fit(x_train,y_train,batch_size=uzorci,epochs=10)
+    ### 9)Inicijalizacija vestacke neuronske mreze
 
-### 14.1)Parametri grafika iz history PART2
-metrikedf=pd.DataFrame() ###DataFrame u kom se nalaze podaci o rezultatima metrika za iscrtavanje na grafiku. Svaka kolona sadrzi vrednost metrike po epohama
-for i in range(len(metrike)):
-    metrikedf[metrike[i]]=history.history[metrike[i]]
-    #print(history.history[metrike[i]])
-    plt.plot(history.history[metrike[i]])
-plt.show()
+    classifier=tf.keras.Sequential()
 
-#print(metrikedf)
+    ### 10)Dodavanje prvog,ulaznog sloja
+    #aktivacijau=input("UNETI ŽELJENU AKTIVACIONU FUNKCIJU ULAZNOG SLOJA ")
+    #brojnu=int(input("UNETI BROJ NEURONA ULAZNOG SLOJA "))
 
-#metrikedf.to_csv("metrike.csv")
+    aktivacijau=params["inputLayerActivationFunction"]
+    brojnu=params["inputNeurons"]
 
+    classifier.add(tf.keras.layers.Dense(units=brojnu,activation=aktivacijau,input_dim=x_train.shape[1]))
 
-### 15) Predvidjanje
-y_pred=classifier.predict(x_test)
+    ### 11)Dodavanje drugog, skrivenog sloja
+    #aktivacijas=input("UNETI ŽELJENU AKTIVACIONU FUNKCIJU SKRIVENOG SLOJA ")
+    #brojns=int(input("UNETI BROJ NEURONA SKRIVENOG SLOJA "))
 
-print(y_pred)
+    aktivacijas=params["hiddenLayerActivationFunction"]
+    brojns=params["hiddenLayerNeurons"]
 
-### 15.1) Formatiranje podataka za metrike PART2
-y_pred=(y_pred>=0.5).astype('int')
-y_pred=y_pred.flatten()
+    classifier.add(tf.keras.layers.Dense(units=brojns,activation=aktivacijas))
 
-#print(y_pred)
+    ### 12) Dodavanje treceg, izlaznog sloja
+    #aktivacijai=input("UNETI ŽELJENU AKTIVACIONU FUNKCIJU IZLAZNOG SLOJA ")
 
-#print(y_test)
-### 15.2) Kreiranje DataFrame-a u kom se nalaze kolone koje predstavljaju stvarne i predvidjene vrednosti, potrebne za iscrtavanje grafika i metrike PART2
-rezultat=pd.DataFrame({"Stvarna vrednost ":y_test,"Predvidjena vrednost":y_pred})
-print(rezultat.head(20))
+    aktivacijai=params["outputLayerActivationFunction"]
 
-#####METRIKE##### PART2
+    classifier.add(tf.keras.layers.Dense(units=1,activation=aktivacijai))
 
-import  sklearn.metrics as sm
-          
 
-### 16)Tacnost
-tacnost=sm.accuracy_score(y_test,y_pred)
-print('tacnost ',tacnost)
+    ### 13) Kompajliranje neuronske mreze
+    #gubici=input("UNETI FUNKCIJU OBRADE GUBITAKA ")
+    #optimizator=input("UNETI ŽELJENI OPTIMIZATOR ")
 
-### 17)Preciznost
-preciznost=sm.precision_score(y_test,y_pred)
-print('preciznost ',preciznost)
+    optimizator=params["optimizer"]
 
-### 18)Recall
-recall=sm.recall_score(y_test,y_pred)
-print('recall ',recall)
+    ### 13.1)Izbor metrike za kompajler PART2
+    metrike=[]
+    while(1):
+        m=params['lossFunction']
+        
+        if(m=='KRAJ'):
+            break   
+        metrike.append(m)
+    classifier.compile(optimizer=optimizator, loss='binary_crossentropy',metrics = metrike)
 
-### 19)Specificity
-tn, fp, fn, tp = sm.confusion_matrix(y_test,y_pred).ravel()
-spec = tn / (tn+fp)
-print('spec ',spec)
+    ### 14) 
+    #uzorci=int(input("UNETI KOLIKO UZORAKA ĆE BITI UNETO U ISTO VREME "))
+    #epohe=int(input("UNETI BROJ EPOHA"))
+    uzorci=params["batchSize"]
+    epohe=params["epochs"]
+    history=classifier.fit(x_train,y_train,batch_size=uzorci,epochs=epohe)
 
-### 20)F1
-f1=sm.f1_score(y_test,y_pred)
-print('f1 ',f1)
+    ### 14.1)Parametri grafika iz history PART2
+    metrikedf=pd.DataFrame() ###DataFrame u kom se nalaze podaci o rezultatima metrika za iscrtavanje na grafiku. Svaka kolona sadrzi vrednost metrike po epohama
+    for i in range(len(metrike)):
+        metrikedf[metrike[i]]=history.history[metrike[i]]
+        #print(history.history[metrike[i]])
+        plt.plot(history.history[metrike[i]])
+    plt.show()
 
-### 21)Classification report
-classificationreport=sm.classification_report(y_test,y_pred)
-print('classification ',classificationreport)
+    #print(metrikedf)
 
-### 22)Mean squared error (mse)
-mse=sm.mean_squared_error(y_test,y_pred)
-print('mse ',mse)
+    #metrikedf.to_csv("metrike.csv")
 
-### 23)Mean absolute error (mae)
-mae=sm.mean_absolute_error(y_test,y_pred)
-print('mae ',mae)
 
-### 24)Mean absolute percentage error (mape)
-mape=sm.mean_absolute_percentage_error(y_test,y_pred)
-print('mape ',mape)
+    ### 15) Predvidjanje
+    y_pred=classifier.predict(x_test)
 
-### 25)Root mean square error (rmse) *** da bi se iskoristila u history, salje se u metrics preko funkcije
-import numpy as np
-rmse=np.sqrt(sm.mean_squared_error(y_test,y_pred))
-print("rmse ",rmse)
+    print(y_pred)
 
-### 26)Confusion matrix
-cmatrix=sm.confusion_matrix(y_test,y_pred)
-print('cmatrix ',cmatrix)
+    ### 15.1) Formatiranje podataka za metrike PART2
+    y_pred=(y_pred>=0.5).astype('int')
+    y_pred=y_pred.flatten()
 
-### 27)ROC
-fpr, tpr, _ = sm.roc_curve(y_test,y_pred)
-plt.plot(fpr, tpr, color='blue')
-plt.title('ROC')
-plt.xlim([0.0, 1.0])
-plt.xlabel('False Positive Rate')
-plt.ylim([0.0, 1.0])
-plt.ylabel('True Positive Rate')
-plt.show()
+    #print(y_pred)
 
+    #print(y_test)
+    ### 15.2) Kreiranje DataFrame-a u kom se nalaze kolone koje predstavljaju stvarne i predvidjene vrednosti, potrebne za iscrtavanje grafika i metrike PART2
+    rezultat=pd.DataFrame({"Stvarna vrednost ":y_test,"Predvidjena vrednost":y_pred})
+    #print(rezultat.head(20))
 
+    #####METRIKE##### PART2
 
+    import  sklearn.metrics as sm
+            
 
+    ### 16)Tacnost
+    tacnost=sm.accuracy_score(y_test,y_pred)
+    print('tacnost ',tacnost)
+
+    ### 17)Preciznost
+    preciznost=sm.precision_score(y_test,y_pred)
+    print('preciznost ',preciznost)
+
+    ### 18)Recall
+    recall=sm.recall_score(y_test,y_pred)
+    print('recall ',recall)
+
+    ### 19)Specificity
+    tn, fp, fn, tp = sm.confusion_matrix(y_test,y_pred).ravel()
+    spec = tn / (tn+fp)
+    print('spec ',spec)
+
+    ### 20)F1
+    f1=sm.f1_score(y_test,y_pred)
+    print('f1 ',f1)
+
+    ### 21)Classification report
+    classificationreport=sm.classification_report(y_test,y_pred)
+    print('classification ',classificationreport)
+
+    ### 22)Mean squared error (mse)
+    mse=sm.mean_squared_error(y_test,y_pred)
+    print('mse ',mse)
+
+    ### 23)Mean absolute error (mae)
+    mae=sm.mean_absolute_error(y_test,y_pred)
+    print('mae ',mae)
+
+    ### 24)Mean absolute percentage error (mape)
+    mape=sm.mean_absolute_percentage_error(y_test,y_pred)
+    print('mape ',mape)
+
+    ### 25)Root mean square error (rmse) *** da bi se iskoristila u history, salje se u metrics preko funkcije
+    import numpy as np
+    rmse=np.sqrt(sm.mean_squared_error(y_test,y_pred))
+    print("rmse ",rmse)
+
+    ### 26)Confusion matrix
+    cmatrix=sm.confusion_matrix(y_test,y_pred)
+    print('cmatrix ',cmatrix)
+
+    ### 27)ROC
+    fpr, tpr, _ = sm.roc_curve(y_test,y_pred)
+    plt.plot(fpr, tpr, color='blue')
+    plt.title('ROC')
+    plt.xlim([0.0, 1.0])
+    plt.xlabel('False Positive Rate')
+    plt.ylim([0.0, 1.0])
+    plt.ylabel('True Positive Rate')
+    plt.show()
+
+    r=Response(history,rezultat,tacnost,preciznost,recall,spec,f1,classificationreport,mse,mae,mape,rmse,cmatrix,fpr,tpr)
+    
+    return "Done"