You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
69 lines
4.0 KiB
69 lines
4.0 KiB
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report, ConfusionMatrixDisplay, roc_curve, auc, RocCurveDisplay
|
|
import matplotlib.pyplot as plt
|
|
from sklearn.model_selection import learning_curve
|
|
import numpy as np
|
|
from sklearn import metrics
|
|
from sklearn.preprocessing import LabelEncoder
|
|
from cleanData import *
|
|
import sys
|
|
|
|
# Fonction permettant de récupérer la moyenne de statistiques des combats précédents
|
|
def getFighterStats(df, label_encoder, fighter_name):
|
|
# Définition des colonnes ou la moyenne sera appliquée
|
|
columns = ['B_avg_BODY_landed', 'B_avg_HEAD_landed', 'B_avg_TD_att', 'B_avg_TOTAL_STR_landed',
|
|
'B_avg_opp_BODY_att', 'B_avg_opp_HEAD_landed', 'B_avg_opp_LEG_landed',
|
|
'B_avg_opp_SIG_STR_att', 'B_avg_opp_TOTAL_STR_att']
|
|
# Tentative de récupération du dataframe ou le fighter passée en paramètre combat
|
|
df_temp = df[(df['R_fighter'] == fighter_name) | (df['B_fighter'] == fighter_name)]
|
|
# Gestion d'erreur si le df est vide
|
|
if df_temp.empty:
|
|
print(f"{fighter_name} introuvable. Abandon de l'application")
|
|
sys.exit(1)
|
|
# sous-fonction permettant d'inverser le coté du combattant
|
|
def swap_values_if_needed(row):
|
|
if row['R_fighter'] == fighter_name:
|
|
return swap_values_withoutran(row)
|
|
return row
|
|
# Permet de faire un foreach et d'appliquer la fonction swap_values_if_needed pour chaque ligne
|
|
df_temp = df_temp.apply(swap_values_if_needed, axis=1)
|
|
# Fait la moyenne des colonnes précédement renseignée dans la liste columns
|
|
return df_temp[columns].mean()
|
|
|
|
def predict(fighterStatsR,fighterStatsB,titlebout,model,weight):
|
|
# Définition des colonnes attendus pour la prédiction
|
|
columns = ['B_fighter','R_fighter','title_bout',
|
|
'B_avg_BODY_landed', 'B_avg_HEAD_landed', 'B_avg_TD_att', 'B_avg_TOTAL_STR_landed',
|
|
'B_avg_opp_BODY_att', 'B_avg_opp_HEAD_landed', 'B_avg_opp_LEG_landed',
|
|
'B_avg_opp_SIG_STR_att', 'B_avg_opp_TOTAL_STR_att',
|
|
|
|
'R_avg_BODY_landed', 'R_avg_HEAD_landed', 'R_avg_TD_att', 'R_avg_TOTAL_STR_landed',
|
|
'R_avg_opp_BODY_att', 'R_avg_opp_HEAD_landed', 'R_avg_opp_LEG_landed',
|
|
'R_avg_opp_SIG_STR_att', 'R_avg_opp_TOTAL_STR_att','weight_class']
|
|
|
|
# Définition d'un dataframe issu des colonnes précedemment renseignée
|
|
df = pd.DataFrame(columns=columns)
|
|
# Association des valeurs liées au deux combattants pour la prédiction
|
|
fight = {'B_fighter':0,'R_fighter':0,'title_bout':1,'B_avg_BODY_landed': fighterStatsB['B_avg_BODY_landed'],
|
|
'B_avg_HEAD_landed': fighterStatsB['B_avg_HEAD_landed'], 'B_avg_TD_att': fighterStatsB['B_avg_TD_att'],
|
|
'B_avg_TOTAL_STR_landed': fighterStatsB['B_avg_TOTAL_STR_landed'],
|
|
'B_avg_opp_BODY_att': fighterStatsB['B_avg_opp_BODY_att'],
|
|
'B_avg_opp_HEAD_landed': fighterStatsB['B_avg_opp_HEAD_landed'],
|
|
'B_avg_opp_LEG_landed': fighterStatsB['B_avg_opp_LEG_landed'],
|
|
'B_avg_opp_SIG_STR_att': fighterStatsB['B_avg_opp_SIG_STR_att'],
|
|
'B_avg_opp_TOTAL_STR_att': fighterStatsB['B_avg_opp_TOTAL_STR_att'],
|
|
|
|
'R_avg_BODY_landed': fighterStatsR['B_avg_BODY_landed'],
|
|
'R_avg_HEAD_landed': fighterStatsR['B_avg_HEAD_landed'], 'R_avg_TD_att': fighterStatsR['B_avg_TD_att'],
|
|
'R_avg_TOTAL_STR_landed': fighterStatsR['B_avg_TOTAL_STR_landed'],
|
|
'R_avg_opp_BODY_att': fighterStatsR['B_avg_opp_BODY_att'],
|
|
'R_avg_opp_HEAD_landed': fighterStatsR['B_avg_opp_HEAD_landed'],
|
|
'R_avg_opp_LEG_landed': fighterStatsR['B_avg_opp_LEG_landed'],
|
|
'R_avg_opp_SIG_STR_att': fighterStatsR['B_avg_opp_SIG_STR_att'],
|
|
'R_avg_opp_TOTAL_STR_att': fighterStatsR['B_avg_opp_TOTAL_STR_att'],
|
|
|
|
'weight_class': 1
|
|
}
|
|
# Ajout des valeurs dans le dataframe
|
|
df = df._append(fight, ignore_index=True)
|
|
# Retourne la valeur 'Winner' suite à la prédiction du model choisis
|
|
return model.predict(df) |