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
|
from sklearn.preprocessing import LabelEncoder
import tensorflow as tf
import pandas as pd
import keras
### 1)Ucitavanje vrednosti
#print(1)
data=pd.read_csv('titanic.csv')
### 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
'''
print(2)
for i in range(len(kolone)):
if(data[kolone[i]].isnull().sum()>0):
print(data[kolone[i]].isnull().sum())
print(2.1)
podaci=data[kolone[i]].copy()
print(2.2)
prosek=podaci.mean()
print(prosek)
print(2.3)
data[kolone[i]].fillna(prosek)
'''
### 3)Pronalazak kategorijskih promenljivih
#print(3)
print(data[kolone[1]].dtypes)
### 4)izbor tipa enkodiranja
#print(4)
enc=input("TIP ENKODIRANJA")
### 5)Enkodiranje svih kategorijskih promenjivih label-encode metodom
#print(5)
if(enc=='label'):
from sklearn.preprocessing import LabelEncoder
encoder=LabelEncoder()
for k in range(len(kolone)):
if(data[kolone[k]].dtype=='object'):
data[kolone[k]]=encoder.fit_transform(data[kolone[k]])
### 6)Enkodiranje svoh kategorijskih promenjivih onehot metodom
elif(enc=='onehot'):
#print(6)
kategorijskekolone=[]
for k in range(len(kolone)):
if(data[kolone[k]].dtype=='object'):
###U kategorijske kolone smestaju se nazivi svih kolona sa kategorijskim podacima
kategorijskekolone.append(kolone[k])
print(kategorijskekolone)
### Enkodiranje
data=pd.get_dummies(data,columns=kategorijskekolone,prefix=kategorijskekolone)
print(data.head(10))
### 7)Podela skupa na skup za trening i skup za testiranje
###def prefiks(s):
#
#
#print(7)
predvidetikol=input("UNETI NAZIV KOLONE ČIJU VREDNOST TREBA PREDVIDETI")
xk=[]
yk=[]
for k in range(len(kolone)):
if(kolone[k]!=predvidetikol):
###U xk se smestaju nazivi kolona cije vrednosti nije potrebno predvideti !!!Prefiks one-hot!!!
xk.append(kolone[k])
###U yk treba smestiti sve nazive kolona cije vrednosti treba predvideti, !!!ukoliko je radjeno one-hot enkodiranje, naziv kolone je promenjen, ima prefiks!!!
###!!!FUNKCIJA ZA PREFIKS!!!
###ili odrediti x i y, pa nakon toga izvrsiti enkodiranje???
'''elif(kolone[k]==predvidetikol):
yk.append(kolone[k])
'''
###Podela na x i y
###Dodavanje vrednosti u x
x=data[xk].values
###Dodavanje vrednosti u y, samo za label enkodiranje, bez prefiksa
y=data[predvidetikol].values
#print(data.head(10))
print(data[xk].head(10))
print(data[predvidetikol].head(10))
###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
'''
if(test<0 or test>100):
print("POGREŠAN UNOS VELIČINE SKUPA ZA TEST")
if(trening>1 and test>1):
trening=trening/100
test=test/100
'''
###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
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)
#####ZAVRSENA PRIPREMA PODATAKA#####
#####OBUCAVANJE MODELA#####
### 9)Inicijalizacija vestacke neuronske mreze
classifier=tf.keras.Sequential()
### 10)Dodavanje prvog,ulaznog sloja
aktivacijau=input("UNETI ŽELJENU AKTIVACIONU FUNKCIJU ULAZNOG SLOJA")
brojnu=int(input("UNETI BROJ NEURONA ULAZNOG SLOJA"))
classifier.add(tf.keras.layers.Dense(units=brojnu,activation=aktivacijau,input_dim=x_train.shape[1]))
### 11)Dodavanje drugog, skrivenog sloja
aktivacijas=input("UNETI ŽELJENU AKTIVACIONU FUNKCIJU SKRIVENOG SLOJA")
brojns=int(input("UNETI BROJ NEURONA SKRIVENOG SLOJA"))
classifier.add(tf.keras.layers.Dense(units=brojns,activation=aktivacijas))
### 12) Dodavanje treceg, izlaznog sloja
aktivacijai=input("UNETI ŽELJENU AKTIVACIONU FUNKCIJU IZLAZNOG SLOJA")
classifier.add(tf.keras.layers.Dense(units=1,activation=aktivacijai))
### 13) Kompajliranje neuronske mreze
gubici=input("UNETI FUNKCIJU OBRADE GUBITAKA")
optimizator=input("UNETI ŽELJENI OPTIMIZATOR")
classifier.compile(optimizer=optimizator, loss=gubici,metrics = ['accuracy'])
### 14)
uzorci=int(input("UNETI KOLIKO UZORAKA ĆE BITI UNETO U ISTO VREME"))
classifier.fit(x_train,y_train,batch_size=uzorci,epochs=50)
### 15) Predvidjanje
y_pred=classifier.predict(x_test)
print(y_pred)
|
