Initial commit: добавление проекта predictV1

Включает модели ML для предсказаний, API маршруты, скрипты обучения и данные.

Co-Authored-By: Claude Sonnet 4.5 <noreply@anthropic.com>

routes/predict_with_players.py

@@ -0,0 +1,123 @@
+from catboost import CatBoostClassifier
+import pandas as pd
+import numpy as np
+from typing import Dict, Any
+
+# Загрузка модели с игроками
+modelWithPlayers = CatBoostClassifier()
+modelWithPlayers.load_model("artifacts/model_with_players.cbm")
+
+# Загрузка порядка фич
+def load_feature_order(path: str) -> list:
+    fo = pd.read_csv(path)
+    first_col = fo.columns[0]
+    return fo[first_col].tolist()
+
+FEATURE_ORDER_WITH_PLAYERS = load_feature_order("artifacts/feature_order_with_players.csv")
+
+def build_player_features(payload: Dict[str, Any]) -> pd.DataFrame:
+    """
+    Создаёт бинарные признаки для модели с игроками.
+
+    Признаки:
+    - radiant_p{player_id}_h{hero_id}_pos{position}
+    - radiant_p{player_id}_h{hero_id}
+    - radiant_p{player_id}_pos{position}
+    (аналогично для dire)
+    """
+    features = {}
+
+    # Инициализируем все признаки нулями
+    for feat in FEATURE_ORDER_WITH_PLAYERS:
+        features[feat] = 0
+
+    # Radiant: игроки + герои + позиции
+    for i in range(1, 6):
+        hero_id = int(payload.get(f"r_h{i}", -1))
+        player_id = int(payload.get(f"r_p{i}", -1))
+        position = int(payload.get(f"rp_h{i}", -1))
+
+        # Признак: игрок + герой + позиция
+        if player_id > 0 and hero_id >= 0 and position >= 0:
+            feature_name = f"radiant_p{player_id}_h{hero_id}_pos{position}"
+            if feature_name in features:
+                features[feature_name] = 1
+
+        # Признак: только игрок + герой
+        if player_id > 0 and hero_id >= 0:
+            feature_name = f"radiant_p{player_id}_h{hero_id}"
+            if feature_name in features:
+                features[feature_name] = 1
+
+        # Признак: только игрок + позиция
+        if player_id > 0 and position >= 0:
+            feature_name = f"radiant_p{player_id}_pos{position}"
+            if feature_name in features:
+                features[feature_name] = 1
+
+    # Dire: игроки + герои + позиции
+    for i in range(1, 6):
+        hero_id = int(payload.get(f"d_h{i}", -1))
+        player_id = int(payload.get(f"d_p{i}", -1))
+        position = int(payload.get(f"dp_h{i}", -1))
+
+        # Признак: игрок + герой + позиция
+        if player_id > 0 and hero_id >= 0 and position >= 0:
+            feature_name = f"dire_p{player_id}_h{hero_id}_pos{position}"
+            if feature_name in features:
+                features[feature_name] = 1
+
+        # Признак: только игрок + герой
+        if player_id > 0 and hero_id >= 0:
+            feature_name = f"dire_p{player_id}_h{hero_id}"
+            if feature_name in features:
+                features[feature_name] = 1
+
+        # Признак: только игрок + позиция
+        if player_id > 0 and position >= 0:
+            feature_name = f"dire_p{player_id}_pos{position}"
+            if feature_name in features:
+                features[feature_name] = 1
+
+    # Создаём DataFrame с одной строкой в правильном порядке
+    df = pd.DataFrame([features], columns=FEATURE_ORDER_WITH_PLAYERS)
+
+    return df
+
+def predict_with_players(payload: Dict[str, Any]) -> Dict[str, float]:
+    """
+    Делает предсказание с использованием модели с игроками.
+
+    Возвращает:
+    {
+        "radiant_win": вероятность победы Radiant (0-100),
+        "dire_win": вероятность победы Dire (0-100)
+    }
+    """
+    # Проверяем, есть ли хотя бы один игрок в payload
+    has_players = False
+    for i in range(1, 6):
+        if payload.get(f"r_p{i}", -1) > 0 or payload.get(f"d_p{i}", -1) > 0:
+            has_players = True
+            break
+
+    # Если нет игроков, возвращаем 50/50
+    if not has_players:
+        return {
+            "radiant_win": 50,
+            "dire_win": 50
+        }
+
+    # Создаём признаки
+    X = build_player_features(payload)
+
+    # Предсказание
+    proba = modelWithPlayers.predict_proba(X)[0, 1]
+
+    radiant_win = round(float(np.clip(proba * 100.0, 0.0, 100.0)))
+    dire_win = 100 - radiant_win
+
+    return {
+        "radiant_win": radiant_win,
+        "dire_win": dire_win
+    }