{"id":391427,"date":"2024-06-29T09:49:19","date_gmt":"2024-06-29T09:49:19","guid":{"rendered":"http:\/\/savepearlharbor.com\/?p=391427"},"modified":"-0001-11-30T00:00:00","modified_gmt":"-0001-11-29T21:00:00","slug":"","status":"publish","type":"post","link":"https:\/\/savepearlharbor.com\/?p=391427","title":{"rendered":"<span>\u041a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0439 \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u0435\u0439 (1C + python)<\/span>"},"content":{"rendered":"<div><!--[--><!--]--><\/div>\n<div id=\"post-content-body\">\n<div>\n<div class=\"article-formatted-body article-formatted-body article-formatted-body_version-2\">\n<div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\">\n<figure class=\"full-width\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/upload_files\/559\/d5d\/ad7\/559d5dad71ec3465fda8015227ec7587.png\" width=\"1000\" height=\"707\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/559\/d5d\/ad7\/559d5dad71ec3465fda8015227ec7587.png\"\/><figcaption><\/figcaption><\/figure>\n<h2>1. \u041e\u043f\u0438\u0441\u0430\u043d\u0438\u0435 \u0437\u0430\u0434\u0430\u0447\u0438<\/h2>\n<p>\u0412 \u043d\u0430\u0448\u0435\u0439 \u043a\u043e\u043c\u043f\u0430\u043d\u0438\u0438 \u043e\u0447\u0435\u043d\u044c \u043c\u043d\u043e\u0433\u043e \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u0435\u0439 \u0438 \u043a\u0430\u0436\u0434\u044b\u0439 \u0434\u0435\u043d\u044c \u043e\u043d\u0438 \u0448\u043b\u044e\u0442 \u043c\u0430\u0441\u0441\u0443 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0439 \u043d\u0430 \u0441\u0430\u043c\u044b\u0435 \u0440\u0430\u0437\u043d\u044b\u0435 \u0442\u0435\u043c\u044b. \u0423 \u043d\u0430\u0441 \u0435\u0441\u0442\u044c \u0434\u0432\u0430 \u043e\u0442\u0434\u0435\u043b\u0430: &#171;\u041f\u0440\u043e\u0433\u0440\u0430\u043c\u043c\u043d\u044b\u0435 \u0440\u0430\u0437\u0440\u0430\u0431\u043e\u0442\u043a\u0438&#187; \u0438 &#171;\u0421\u0438\u0441\u0442\u0435\u043c\u043d\u044b\u0435 \u0430\u0434\u043c\u0438\u043d\u0438\u0441\u0442\u0440\u0430\u0442\u043e\u0440\u044b&#187;, \u0438 \u0447\u0442\u043e \u0431\u044b \u043e\u0431\u043b\u0435\u0433\u0447\u0438\u0442\u044c \u0436\u0438\u0437\u043d\u044c \u0442\u0435\u0445\u043f\u043e\u0434\u0434\u0435\u0440\u0436\u043a\u0435, \u0431\u044b\u043b \u043d\u0430\u043f\u0438\u0441\u0430\u043d \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u0441\u0442\u044b\u043a\u0443\u0435\u0442 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0435 \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u044f \u043d\u0430 \u0442\u043e\u0442 \u0438\u043b\u0438 \u0434\u0440\u0443\u0433\u043e\u0439 \u043e\u0442\u0434\u0435\u043b. \u0412 \u043e\u0441\u043d\u043e\u0432\u0435 \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440\u0430 \u043b\u0435\u0436\u0438\u0442 \u043b\u043e\u0433\u0438\u0441\u0442\u0438\u0447\u0435\u0441\u043a\u0430\u044f \u0440\u0435\u0433\u0440\u0435\u0441\u0441\u0438\u044f.<\/p>\n<h2>2. \u041e\u0431\u0449\u0430\u044f \u043b\u043e\u0433\u0438\u043a\u0430<\/h2>\n<ol>\n<li>\n<p>\u0421\u043e\u0431\u0440\u0430\u0442\u044c \u0438\u0441\u0445\u043e\u0434\u043d\u044b\u0435 \u0434\u0430\u043d\u043d\u044b\u0435<\/p>\n<\/li>\n<li>\n<p>\u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u0438\u0442\u044c \u0434\u0430\u043d\u043d\u044b\u0435 (\u043f\u043e\u0447\u0438\u0441\u0442\u0438\u0442\u044c, \u043f\u0440\u0438\u0432\u0435\u0441\u0442\u0438 \u0432 \u043d\u0443\u0436\u043d\u044b\u0439 \u0444\u043e\u0440\u043c\u0430\u0442)<\/p>\n<\/li>\n<li>\n<p>\u041e\u0431\u0443\u0447\u0438\u0442\u044c \u043c\u043e\u0434\u0435\u043b\u044c<\/p>\n<\/li>\n<li>\n<p>\u041f\u043e\u0434\u0430\u0442\u044c \u043d\u043e\u0432\u043e\u0435 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0435 \u0432 \u043c\u043e\u0434\u0435\u043b\u044c \u0438 \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u043e\u0442\u0432\u0435\u0442<\/p>\n<p>\u0412\u0441\u0435 \u043e\u0447\u0435\u043d\u044c \u043f\u0440\u043e\u0441\u0442\u043e! \u0421\u0430\u043c \u0432 \u0448\u043e\u043a\u0435 =)<\/p>\n<\/li>\n<\/ol>\n<h2>3. \u041f\u043e\u043b\u0435\u0437\u043d\u044b\u0435 \u0441\u0441\u044b\u043b\u043a\u0438<\/h2>\n<p>\u0422\u0443\u0442 \u043e\u0441\u0442\u0430\u0432\u043b\u044e \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0441\u0441\u044b\u043b\u043a\u0438<\/p>\n<ol>\n<li>\n<p><a href=\"https:\/\/ru.coursera.org\/learn\/machine-learning\/lecture\/4BHEy\/regularized-logistic-regression\" rel=\"noopener noreferrer nofollow\">\u041b\u0435\u043a\u0446\u0438\u044f Coursera<\/a><\/p>\n<\/li>\n<li>\n<p><a href=\"https:\/\/habrahabr.ru\/company\/io\/blog\/265007\/\" rel=\"noopener noreferrer nofollow\">\u0421\u0442\u0430\u0442\u044c\u044f \u043d\u0430 \u0425\u0430\u0431\u0440\u0435<\/a><\/p>\n<\/li>\n<li>\n<p><a href=\"https:\/\/www.youtube.com\/watch?v=1vklt6IHeJI\" rel=\"noopener noreferrer nofollow\">https:\/\/www.youtube.com\/watch?v=1vklt6IHeJI<\/a><\/p>\n<\/li>\n<li>\n<p><a href=\"http:\/\/scikit-learn.org\/stable\/modules\/feature_extraction.html#text-feature-extraction\" rel=\"noopener noreferrer nofollow\">\u041f\u043e\u0434\u0440\u043e\u0431\u043d\u0435\u0435 \u043f\u0440\u043e \u0432\u0435\u043a\u0442\u043e\u0440\u043d\u043e\u0435 \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u0435\u043d\u0438\u0435 \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u043e\u0432<\/a><\/p>\n<\/li>\n<li>\n<p><a href=\"http:\/\/www.scipy-lectures.org\/advanced\/scipy_sparse\/\" rel=\"noopener noreferrer nofollow\">\u0420\u0430\u0437\u0440\u044f\u0436\u0435\u043d\u043d\u044b\u0435 \u043c\u0430\u0442\u0440\u0438\u0446\u044b<\/a><\/p>\n<\/li>\n<li>\n<p><a href=\"http:\/\/scikit-learn.org\/stable\/modules\/feature_extraction.html#common-vectorizer-usage\" rel=\"noopener noreferrer nofollow\">\u0422\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440<\/a><\/p>\n<\/li>\n<li>\n<p><a href=\"http:\/\/docs.scipy.org\/doc\/scipy-0.14.0\/reference\/sparse.html\" rel=\"noopener noreferrer nofollow\">\u041f\u043e\u0434\u0440\u043e\u0431\u043d\u0435\u0435 \u043f\u0440\u043e \u0440\u0430\u0437\u0440\u0435\u0436\u0435\u043d\u043d\u044b\u0435 \u043c\u0430\u0442\u0440\u0438\u0446\u044b<\/a><\/p>\n<\/li>\n<\/ol>\n<h2>4. \u0421\u043e\u0431\u0438\u0440\u0430\u0435\u043c \u0434\u0430\u043d\u043d\u044b\u0435<\/h2>\n<p>\u041c\u044b \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u043c \u0432 \u0441\u0438\u0441\u0442\u0435\u043c\u0435 1\u0421, \u043f\u043e\u044d\u0442\u043e\u043c\u0443, \u0434\u0435\u043b\u0430\u0435\u043c \u0437\u0430\u043f\u0440\u043e\u0441 \u043a \u0431\u0430\u0437\u0435 \u0438 \u0432\u044b\u0431\u0438\u0440\u0430\u0435\u043c \u0432\u0441\u0435 \u043e\u0442\u0440\u0430\u0431\u043e\u0442\u0430\u043d\u043d\u044b\u0435 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u044f \u0441 \u043d\u0430\u0447\u0430\u043b\u0430 \u0432\u0440\u0435\u043c\u0435\u043d. \u0411\u0443\u0434\u0435\u043c \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u044d\u0442\u0438 \u0434\u0430\u043d\u043d\u044b\u0435 \u0434\u043b\u044f \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f. \u0420\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u043e\u043c \u0437\u0430\u043f\u0440\u043e\u0441\u0430 \u0431\u0443\u0434\u0435\u0442 \u044f\u0432\u043b\u044f\u0442\u044c\u0441\u044f \u0442\u0430\u0431\u043b\u0438\u0446\u0430, \u0433\u0434\u0435 \u0432 \u043f\u0435\u0440\u0432\u043e\u0439 \u043a\u043e\u043b\u043e\u043d\u043a\u0435 \u0431\u0443\u0434\u0435\u0442 \u0442\u0435\u043a\u0441\u0442 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0439 \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u0435\u0439, \u0430 \u0432\u043e \u0432\u0442\u043e\u0440\u043e\u0439 &#171;1&#187; \u0438\u043b\u0438 &#171;0&#187;, \u0433\u0434\u0435 &#171;1&#187; &#8212; \u044d\u0442\u043e &#171;\u041f\u0440\u043e\u0433\u0440\u0430\u043c\u043c\u043d\u044b\u0435 \u0440\u0430\u0437\u0440\u0430\u0431\u043e\u0442\u043a\u0438&#187;, \u0430 &#171;0&#187; &#8212; &#171;\u0421\u0438\u0441\u0442\u0435\u043c\u043d\u044b\u0435 \u0430\u0434\u043c\u0438\u043d\u0438\u0441\u0442\u0440\u0430\u0442\u043e\u0440\u044b&#187;.<\/p>\n<pre><code>\u0424\u0443\u043d\u043a\u0446\u0438\u044f \u041f\u043e\u043b\u0443\u0447\u0438\u0442\u044c\u0421\u044b\u0440\u044b\u0435\u0414\u0430\u043d\u043d\u044b\u0435()  \u0417\u0430\u043f\u0440\u043e\u0441 = \u041d\u043e\u0432\u044b\u0439 \u0417\u0430\u043f\u0440\u043e\u0441; \u0417\u0430\u043f\u0440\u043e\u0441.\u0422\u0435\u043a\u0441\u0442 =  \"\u0412\u042b\u0411\u0420\u0410\u0422\u042c |\u041e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0435\u0412\u0422\u0435\u0445\u041f\u043e\u0434\u0434\u0435\u0440\u0436\u043a\u0443.\u0422\u0435\u043a\u0441\u0442\u0412\u043e\u043f\u0440\u043e\u0441\u0430 \u041a\u0410\u041a Appeal, |\u0412\u042b\u0411\u041e\u0420 |\u041a\u041e\u0413\u0414\u0410 \u041e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0435\u0412\u0422\u0435\u0445\u041f\u043e\u0434\u0434\u0435\u0440\u0436\u043a\u0443.\u041e\u0442\u0434\u0435\u043b\u041e\u0431\u0441\u043b\u0443\u0436\u0438\u0432\u0430\u043d\u0438\u044f.\u041a\u043e\u0434 = 50 |\u0422\u041e\u0413\u0414\u0410 1 |\u0418\u041d\u0410\u0427\u0415 0 |\u041a\u041e\u041d\u0415\u0426 \u041a\u0410\u041a Prediction |\u0418\u0417 |\u0414\u043e\u043a\u0443\u043c\u0435\u043d\u0442.\u041e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0435\u0412\u0422\u0435\u0445\u041f\u043e\u0434\u0434\u0435\u0440\u0436\u043a\u0443 \u041a\u0410\u041a \u041e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0435\u0412\u0422\u0435\u0445\u041f\u043e\u0434\u0434\u0435\u0440\u0436\u043a\u0443 |\u0413\u0414\u0415 |\u041e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0435\u0412\u0422\u0435\u0445\u041f\u043e\u0434\u0434\u0435\u0440\u0436\u043a\u0443.\u0414\u0430\u0442\u0430\u041e\u0442\u0440\u0430\u0431\u043e\u0442\u043a\u0438 &lt;> \u0414\u0410\u0422\u0410\u0412\u0420\u0415\u041c\u042f(1, 1, 1)\";  \u0412\u043e\u0437\u0432\u0440\u0430\u0442 \u0417\u0430\u043f\u0440\u043e\u0441.\u0412\u044b\u043f\u043e\u043b\u043d\u0438\u0442\u044c().\u0412\u044b\u0433\u0440\u0443\u0437\u0438\u0442\u044c();  \u041a\u043e\u043d\u0435\u0446\u0424\u0443\u043d\u043a\u0446\u0438\u0438<\/code><\/pre>\n<p>\u0414\u0430\u043b\u0435\u0435 \u044f \u0440\u0435\u0448\u0438\u043b \u043f\u043e\u0447\u0438\u0441\u0442\u0438\u0442\u044c \u0434\u0430\u043d\u043d\u044b\u0435 \u0438 \u043e\u0441\u0442\u0430\u0432\u0438\u0442\u044c \u0442\u043e\u043b\u044c\u043a\u043e \u0441\u043b\u043e\u0432\u0430 \u0431\u0435\u0437 \u0446\u0438\u0444\u0440, \u0441\u043f\u0435\u0446 \u0441\u0438\u043c\u0432\u043e\u043b\u043e\u0432 \u0438 \u043f\u0440&#8230; \u0422\u0443\u0442 \u043c\u043e\u0436\u043d\u043e \u043f\u043e \u044d\u043a\u0441\u043f\u0435\u0440\u0438\u043c\u0435\u043d\u0442\u0438\u0440\u043e\u0432\u0430\u0442\u044c!!!<\/p>\n<p>\u0424\u0443\u043d\u043a\u0446\u0438\u044f \u0447\u0438\u0441\u0442\u0438\u0442 \u0442\u0435\u043a\u0441\u0442 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u044f. \u041c\u043e\u0433\u0443\u0442 \u043e\u0441\u0442\u0430\u0442\u044c\u0441\u044f \u0434\u0432\u043e\u0439\u043d\u044b\u0435 \u0438\u043b\u0438 \u0442\u0440\u043e\u0439\u043d\u044b\u0435 \u043f\u0440\u043e\u0431\u0435\u043b\u044b \u043d\u043e, \u043e\u043d\u0438 \u0431\u0443\u0434\u0443\u0442 \u043e\u0442\u0431\u0440\u043e\u0448\u0435\u043d\u044b \u043f\u0440\u0438 \u0432\u0435\u043a\u0442\u043e\u0440\u0438\u0437\u0430\u0446\u0438\u0438 \u0442\u0435\u043a\u0441\u0442\u0430.<\/p>\n<pre><code class=\"1c\">\u0424\u0443\u043d\u043a\u0446\u0438\u044f \u041f\u043e\u0447\u0438\u0441\u0442\u0438\u0442\u044c\u041f\u043e\u043b\u0435(\u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435) \u042d\u043a\u0441\u043f\u043e\u0440\u0442  \u0421\u0438\u043c\u0432\u043e\u043b\u044b\u0414\u043b\u044f\u0417\u0430\u043c\u0435\u043d\u044b = \"1234567890\"; \u0421\u0438\u043c\u0432\u043e\u043b\u044b\u0414\u043b\u044f\u0417\u0430\u043c\u0435\u043d\u044b = \u0421\u0438\u043c\u0432\u043e\u043b\u044b\u0414\u043b\u044f\u0417\u0430\u043c\u0435\u043d\u044b + \"(){}[]:;\"\"'\\|&lt;>.,\/?\"; \u0421\u0438\u043c\u0432\u043e\u043b\u044b\u0414\u043b\u044f\u0417\u0430\u043c\u0435\u043d\u044b = \u0421\u0438\u043c\u0432\u043e\u043b\u044b\u0414\u043b\u044f\u0417\u0430\u043c\u0435\u043d\u044b + \"*-+=_\"; \u0421\u0438\u043c\u0432\u043e\u043b\u044b\u0414\u043b\u044f\u0417\u0430\u043c\u0435\u043d\u044b = \u0421\u0438\u043c\u0432\u043e\u043b\u044b\u0414\u043b\u044f\u0417\u0430\u043c\u0435\u043d\u044b + \"!@#$%^&amp;\u2116\";  \u0414\u043b\u044f \u041d\u043e\u043c\u0435\u0440\u0421\u0438\u043c\u0432\u043e\u043b\u0430 = 0 \u041f\u043e \u0421\u0442\u0440\u0414\u043b\u0438\u043d\u0430(\u0421\u0438\u043c\u0432\u043e\u043b\u044b\u0414\u043b\u044f\u0417\u0430\u043c\u0435\u043d\u044b) \u0426\u0438\u043a\u043b \u0421\u0438\u043c\u0432\u043e\u043b = \u0421\u0440\u0435\u0434(\u0421\u0438\u043c\u0432\u043e\u043b\u044b\u0414\u043b\u044f\u0417\u0430\u043c\u0435\u043d\u044b, \u041d\u043e\u043c\u0435\u0440\u0421\u0438\u043c\u0432\u043e\u043b\u0430, 1); \u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435 = \u0421\u0442\u0440\u0417\u0430\u043c\u0435\u043d\u0438\u0442\u044c(\u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435, \u0421\u0438\u043c\u0432\u043e\u043b, \"\"); \u041a\u043e\u043d\u0435\u0446\u0426\u0438\u043a\u043b\u0430;  \u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435 = \u0421\u0442\u0440\u0417\u0430\u043c\u0435\u043d\u0438\u0442\u044c(\u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435, \"\"\"\", \" \"); \u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435 = \u0421\u0442\u0440\u0417\u0430\u043c\u0435\u043d\u0438\u0442\u044c(\u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435, \u0421\u0438\u043c\u0432\u043e\u043b\u044b.\u041f\u0421, \" \"); \u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435 = \u0421\u0442\u0440\u0417\u0430\u043c\u0435\u043d\u0438\u0442\u044c(\u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435, \u0421\u0438\u043c\u0432\u043e\u043b\u044b.\u0412\u041a, \" \"); \u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435 = \u0421\u0442\u0440\u0417\u0430\u043c\u0435\u043d\u0438\u0442\u044c(\u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435, \u0421\u0438\u043c\u0432\u043e\u043b\u044b.\u041d\u041f\u041f, \" \"); \u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435 = \u0421\u0442\u0440\u0417\u0430\u043c\u0435\u043d\u0438\u0442\u044c(\u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435, \u0421\u0438\u043c\u0432\u043e\u043b\u044b.\u041f\u0424, \" \");  \u0412\u043e\u0437\u0432\u0440\u0430\u0442 \u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435;  \u041a\u043e\u043d\u0435\u0446\u0424\u0443\u043d\u043a\u0446\u0438\u0438<\/code><\/pre>\n<p>\u0420\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u043e\u043c \u0434\u0430\u043d\u043d\u043e\u0433\u043e \u044d\u0442\u0430\u043f\u0430 \u0434\u043e\u043b\u0436\u0435\u043d \u0441\u0442\u0430\u0442\u044c .\u0421SV \u0444\u0430\u0439\u043b \u0441 \u043a\u043e\u0442\u043e\u0440\u044b\u043c \u0431\u0443\u0434\u0435\u043c \u0434\u0430\u043b\u044c\u0448\u0435 \u0440\u0430\u0431\u043e\u0442\u0430\u0442\u044c.<\/p>\n<p>\u0422\u0443\u0442 \u043c\u044b \u043a\u0430\u043a \u0440\u0430\u0437 \u0434\u0430\u043d\u043d\u044b\u0439 \u0444\u0430\u0439\u043b \u0438 \u0441\u043e\u0431\u0438\u0440\u0430\u0435\u043c.<\/p>\n<pre><code>\u0424\u0443\u043d\u043a\u0446\u0438\u044f \u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u0442\u044c\u0422\u0417\u0432\u0422\u0435\u043a\u0441\u0442CSV(\u0422\u0417, \u0420\u0430\u0437\u0434\u0435\u043b\u0438\u0442\u0435\u043b\u044c = \",\", \u0444\u043b\u042d\u043a\u0441\u043f\u043e\u0440\u0442\u0438\u0440\u043e\u0432\u0430\u0442\u044c\u0418\u043c\u0435\u043d\u0430\u041a\u043e\u043b\u043e\u043d\u043e\u043a = \u0418\u0441\u0442\u0438\u043d\u0430)  \u0422\u0435\u043a\u0441\u0442CSV = \"\";  \u0415\u0441\u043b\u0438 \u0444\u043b\u042d\u043a\u0441\u043f\u043e\u0440\u0442\u0438\u0440\u043e\u0432\u0430\u0442\u044c\u0418\u043c\u0435\u043d\u0430\u041a\u043e\u043b\u043e\u043d\u043e\u043a \u0422\u043e\u0433\u0434\u0430  \u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u0430\u044f\u0421\u0442\u0440\u043e\u043a\u0430 = \"\";  \u0414\u043b\u044f \u041a\u0430\u0436\u0434\u043e\u0433\u043e \u041a\u043e\u043b\u043e\u043d\u043a\u0430 \u0418\u0437 \u0422\u0417.\u041a\u043e\u043b\u043e\u043d\u043a\u0438 \u0426\u0438\u043a\u043b \u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u0430\u044f\u0421\u0442\u0440\u043e\u043a\u0430 = \u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u0430\u044f\u0421\u0442\u0440\u043e\u043a\u0430 + \u041a\u043e\u043b\u043e\u043d\u043a\u0430.\u0418\u043c\u044f + \u0420\u0430\u0437\u0434\u0435\u043b\u0438\u0442\u0435\u043b\u044c; \u041a\u043e\u043d\u0435\u0446\u0426\u0438\u043a\u043b\u0430;  \u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u0430\u044f\u0421\u0442\u0440\u043e\u043a\u0430 = \u041b\u0435\u0432(\u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u0430\u044f\u0421\u0442\u0440\u043e\u043a\u0430, \u0421\u0442\u0440\u0414\u043b\u0438\u043d\u0430(\u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u0430\u044f\u0421\u0442\u0440\u043e\u043a\u0430) - 1);  \u0422\u0435\u043a\u0441\u0442CSV = \u0422\u0435\u043a\u0441\u0442CSV + \u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u0430\u044f\u0421\u0442\u0440\u043e\u043a\u0430 + \u0421\u0438\u043c\u0432\u043e\u043b\u044b.\u041f\u0421;  \u041a\u043e\u043d\u0435\u0446\u0415\u0441\u043b\u0438;  \u0421\u0447\u0435\u0442\u0447\u0438\u043a = 0;  \u0414\u043b\u044f \u041a\u0430\u0436\u0434\u043e\u0433\u043e \u0421\u0442\u0440\u043e\u043a\u0430 \u0418\u0437 \u0422\u0417 \u0426\u0438\u043a\u043b  \/\/\u0415\u0441\u043b\u0438 \u0421\u0447\u0435\u0442\u0447\u0438\u043a = 10000 \u0422\u043e\u0433\u0434\u0430 \/\/\u041f\u0440\u0435\u0440\u0432\u0430\u0442\u044c; \/\/\u041a\u043e\u043d\u0435\u0446\u0415\u0441\u043b\u0438;  \u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u0430\u044f\u0421\u0442\u0440\u043e\u043a\u0430 = \"\";  \u0414\u043b\u044f \u041a\u0430\u0436\u0434\u043e\u0433\u043e \u041a\u043e\u043b\u043e\u043d\u043a\u0430 \u0418\u0437 \u0422\u0417.\u041a\u043e\u043b\u043e\u043d\u043a\u0438 \u0426\u0438\u043a\u043b  \u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435 = \u0421\u0442\u0440\u043e\u043a\u0430[\u041a\u043e\u043b\u043e\u043d\u043a\u0430.\u0418\u043c\u044f];  \u0415\u0441\u043b\u0438 \u041a\u043e\u043b\u043e\u043d\u043a\u0430.\u0418\u043c\u044f = \"Appeal\" \u0422\u043e\u0433\u0434\u0430 \u041f\u043e\u0447\u0438\u0441\u0442\u0438\u0442\u044c\u041f\u043e\u043b\u0435(\u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435); \u041a\u043e\u043d\u0435\u0446\u0415\u0441\u043b\u0438;  \u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u0430\u044f\u0421\u0442\u0440\u043e\u043a\u0430 = \u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u0430\u044f\u0421\u0442\u0440\u043e\u043a\u0430 + \u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435 + \u0420\u0430\u0437\u0434\u0435\u043b\u0438\u0442\u0435\u043b\u044c;  \u041a\u043e\u043d\u0435\u0446\u0426\u0438\u043a\u043b\u0430;  \u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u0430\u044f\u0421\u0442\u0440\u043e\u043a\u0430 = \u041b\u0435\u0432(\u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u0430\u044f\u0421\u0442\u0440\u043e\u043a\u0430, \u0421\u0442\u0440\u0414\u043b\u0438\u043d\u0430(\u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u0430\u044f\u0421\u0442\u0440\u043e\u043a\u0430) - 1);  \u0422\u0435\u043a\u0441\u0442CSV = \u0422\u0435\u043a\u0441\u0442CSV + \u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u0430\u044f\u0421\u0442\u0440\u043e\u043a\u0430 + \u0421\u0438\u043c\u0432\u043e\u043b\u044b.\u041f\u0421;  \u0421\u0447\u0435\u0442\u0447\u0438\u043a = \u0421\u0447\u0435\u0442\u0447\u0438\u043a + 1;  \u041a\u043e\u043d\u0435\u0446\u0426\u0438\u043a\u043b\u0430;  \u0412\u043e\u0437\u0432\u0440\u0430\u0442 \u0422\u0435\u043a\u0441\u0442CSV;  \u041a\u043e\u043d\u0435\u0446\u0424\u0443\u043d\u043a\u0446\u0438\u0438 <\/code><\/pre>\n<p>\u0424\u0430\u0439\u043b \u0433\u043e\u0442\u043e\u0432, \u043d\u0430\u0447\u0438\u043d\u0430\u0435\u0442\u0441\u044f \u0441\u0430\u043c\u043e\u0435 \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u043e\u0435.<\/p>\n<h2>5. \u041e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u043c\u043e\u0434\u0435\u043b\u0438<\/h2>\n<pre><code class=\"python\"># -*- coding: utf-8 -*-  import pickle import pandas as pd  from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score from sklearn import linear_model  #\u041f\u0443\u0442\u044c \u043a .csv \u0444\u0430\u0439\u043b\u0443 DATA_PATH           = r\"\\\\app1\\1C\\work\\\u0412\u043b\u043e\u0436\u0435\u043d\u0438\u044f\\Python_projects\\ClassifierOfUserRequests\\data\\train.csv\"  #\u0424\u0430\u0439\u043b \u0433\u0434\u0435 \u0445\u0440\u0430\u043d\u044f\u0442\u0441\u044f \u0434\u0430\u043d\u043d\u044b\u0435 \u043e \u0442\u043e\u0447\u043d\u043e\u0441\u0442\u0438 \u043d\u0430\u0448\u0435\u0439 \u043c\u043e\u0434\u0435\u043b\u0438 (\u0434\u043b\u044f \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0438) MODEL_ACCURACY_PATH = r\"\\\\app1\\1C\\work\\\u0412\u043b\u043e\u0436\u0435\u043d\u0438\u044f\\Python_projects\\ClassifierOfUserRequests\\model_accuracy.txt\"  #\u0422\u0443\u0442 \u043c\u044b \u0445\u0440\u0430\u043d\u0438\u043c \u043d\u0430\u0448\u0443 \u043c\u043e\u0434\u0435\u043b\u044c MODEL_PATH          = r\"\\\\app1\\1C\\work\\\u0412\u043b\u043e\u0436\u0435\u043d\u0438\u044f\\Python_projects\\ClassifierOfUserRequests\\model.pickle\"  #\u0422\u0443\u0442 \u043c\u044b \u0445\u0440\u0430\u043d\u0438\u043c \u043d\u0430\u0448 \u0432\u0435\u043a\u0442\u043e\u0440\u0438\u0437\u0430\u0442\u043e\u0440, \u0447\u0442\u043e \u0431\u044b \u043f\u0440\u0438\u0432\u043e\u0434\u0438\u0442\u044c \u0432\u0445\u043e\u0434\u044f\u0449\u0438\u0435 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u044f \u043a \u043d\u0443\u0436\u043d\u043e\u043c\u0443 \u0432\u0438\u0434\u0443 VECTORIZER_PATH     = r\"\\\\app1\\1C\\work\\\u0412\u043b\u043e\u0436\u0435\u043d\u0438\u044f\\Python_projects\\ClassifierOfUserRequests\\vectorizer.pickle\"   def train_model():  # \u0412\u044b\u0447\u0438\u0442\u044b\u0432\u0430\u0435\u043c \u0438\u0441\u0445\u043e\u0434\u043d\u044b\u0435 \u0434\u0430\u043d\u043d\u044b\u0435          train_df = pd.read_csv(DATA_PATH)  # \u0412\u044b\u0431\u0438\u0440\u0430\u0435\u043c \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u043e \u0434\u0430\u043d\u043d\u044b\u0435 \u043f\u043e \u0434\u0432\u0443\u043c \u043e\u0442\u0434\u0435\u043b\u0430\u043c          train_df_0 = train_df[train_df['Prediction'] == 0]     train_df_1 = train_df[train_df['Prediction'] == 1]      # \u0421\u043c\u043e\u0442\u0440\u044e \u043d\u0430 \u0440\u0430\u0437\u043c\u0435\u0440 \u043c\u0435\u043d\u044c\u0448\u0435\u0433\u043e \u043f\u043e \u043a\u043e\u043b\u0432\u0443 \u0434\u0430\u043d\u043d\u044b\u0445 \u043c\u0430\u0441\u0441\u0438\u0432\u0430, \u0435\u0433\u043e \u0438 \u0431\u0435\u0440\u0435\u043c \u0437\u0430 \u043e\u0441\u043d\u043e\u0432\u0443.          size_0 = train_df_0.shape[0]  # \u041d\u0430\u0448\u0430 \u0437\u0430\u0434\u0430\u0447\u0430 \u0441 \u0431\u0430\u043b\u0430\u043d\u0441\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0434\u0432\u0435 \u044d\u0442\u0438 \u0432\u044b\u0431\u043e\u0440\u043a\u0438, \u043f\u043e\u044d\u0442\u043e\u043c\u0443 \u0438\u0437 \u0431\u043e\u043b\u044c\u0448\u0435\u0439 \u044f \u0440\u0430\u043d\u0434\u043e\u043c\u043d\u043e \u0432\u044b\u0431\u0438\u0440\u0430\u044e      # \u0442\u0430\u043a\u043e\u0435 \u0436\u0435 \u043a\u043e\u043b \u0432\u043e \u0434\u0430\u043d\u043d\u044b\u0445 \u043a\u0430\u043a \u0435\u0441\u0442\u044c \u0432 \u043c\u0435\u043d\u044c\u0448\u0435\u0439 !!!!!!!!          train_df_1 = train_df_1.sample(frac=1).reset_index(drop=True)     train_df_1 = train_df_1[:size_0]  # \u0421\u043e\u0431\u0438\u0440\u0430\u0435\u043c \u0434\u0432\u0435 \u043e\u0434\u0438\u043d\u0430\u043a\u043e\u0432\u044b\u0435 \u043f\u043e \u0440\u0430\u0437\u043c\u0435\u0440\u0443 \u0432\u044b\u0431\u043e\u0440\u043a\u0438 \u0432\u043c\u0435\u0441\u0442\u0435          train_df = pd.concat([train_df_0, train_df_1], ignore_index=True)     train_df.Prediction.value_counts(normalize=True)  # \u041f\u0440\u0438\u0432\u043e\u0434\u0438\u043c \u0441\u043e\u0434\u0435\u0440\u0436\u0438\u043c\u043e\u0435 \u0432 \u043d\u0438\u0436\u043d\u0438\u0439 \u0440\u0435\u0433\u0438\u0441\u0442\u0440          appeal = list(train_df.Appeal.values)     appeal = [str(l).lower() for l in appeal]  # \u0414\u043b\u044f \u0440\u0435\u0448\u0435\u043d\u0438\u044f \u0437\u0430\u0434\u0430\u0447\u0438 \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438 \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u0442\u044c \u043a\u0430\u0436\u0434\u043e\u0435 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0435     # \u0432 \u0432\u0435\u043a\u0442\u043e\u0440. \u0420\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u044c \u0434\u0430\u043d\u043d\u043e\u0433\u043e \u0432\u0435\u043a\u0442\u043e\u0440\u0430 \u0431\u0443\u0434\u0435\u0442 \u0440\u0430\u0432\u043d\u0430 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u0443 \u0441\u043b\u043e\u0432     # \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u043c\u044b\u0445 \u0432\u043e \u0432\u0441\u0435\u0445 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u044f\u0445 \u0432\u043e\u043e\u0431\u0449\u0435! \u041a\u0430\u0436\u0434\u0430\u044f \u043a\u043e\u043e\u0440\u0434\u0438\u043d\u0430\u0442\u0430 \u0441\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0443\u0435\u0442     # \u0441\u043b\u043e\u0432\u0443, \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435 \u0432 \u043a\u043e\u043e\u0440\u0434\u0438\u043d\u0430\u0442\u0435 \u0440\u0430\u0432\u043d\u043e \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u0443 \u0440\u0430\u0437, \u0441\u043b\u043e\u0432\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u0442\u0441\u044f \u0432     # \u0432 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0438.          vectorizer = TfidfVectorizer()     tfidfed = vectorizer.fit_transform(appeal)      # \u0414\u0435\u043b\u0438\u043c \u0432\u044b\u0431\u043e\u0440\u043a\u0443 \u043d\u0430 \u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u043e\u0447\u043d\u0443\u044e \u0438 \u0442\u0435\u0441\u0442\u043e\u0432\u0443\u044e          X = tfidfed     y = train_df.Prediction.values     X_train, X_test, y_train, y_test = train_test_split(X, y, train_size=0.7, random_state=42)          # \u0421\u043e\u0437\u0434\u0430\u0435\u043c \u043e\u0431\u044a\u0435\u043a\u0442 \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440\u0430     # \u0421 \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u0430\u043c\u0438 \u043c\u043e\u0436\u043d\u043e \u043f\u043e\u0438\u0433\u0440\u0430\u0442\u044c\u0441\u044f, \u043c\u043e\u0436\u0435\u0442 \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u0441\u044f \u043d\u0430\u0441\u0442\u0440\u043e\u0438\u0442\u044c \u0435\u0449\u0435 \u0442\u043e\u0447\u043d\u0435\u0435!!!           clf = linear_model.SGDClassifier(max_iter=10000, random_state=42, loss=\"log\", penalty=\"l2\", alpha=1e-5, eta0=1.0,                                      learning_rate=\"optimal\")          # \u041e\u0431\u0443\u0447\u0430\u0435\u043c \u043c\u043e\u0434\u0435\u043b\u044c          clf.fit(X_train, y_train)  # \u041f\u0438\u0448\u0435\u043c \u0434\u0430\u043d\u043d\u044b\u0435 \u0442\u043e\u0447\u043d\u043e\u0441\u0442\u0438 \u0432 \u0444\u0430\u0439\u043b\u0438\u043a, \u0432 \u043c\u043e\u0435\u043c \u0441\u043b\u0443\u0447\u0430\u0435\u043c 94%      with open(MODEL_ACCURACY_PATH, 'w', encoding='utf-8') as f:         f.write(\"Train accuracy = %.3f\\n\" % accuracy_score(y_train, clf.predict(X_train)))         f.write(\"Test accuracy = %.3f\" % accuracy_score(y_test, clf.predict(X_test)))  # \u0412 \u043f\u0438\u0442\u043e\u043d\u0435 \u0432\u0441\u0435 \u043e\u0431\u044a\u0435\u043a\u0442, \u043f\u043e\u044d\u0442\u043e\u043c\u0443 \u043c\u044b \u043c\u043e\u0436\u0435\u043c \u0437\u0430\u043c\u0430\u0440\u0438\u043d\u043e\u0432\u0430\u0442\u044c \u043d\u0430\u0448\u0443 \u043c\u043e\u0434\u0435\u043b\u044c \u0438 \u0432\u0435\u043a\u0442\u043e\u0440\u0438\u0437\u0430\u0442\u043e\u0440 # \u0447\u0442\u043e \u0431\u044b \u043f\u043e\u0442\u043e\u043c \u0438\u0445 \u043c\u043e\u0436\u043d\u043e \u0431\u044b\u043b\u043e \u043b\u0435\u0433\u043a\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c      with open(MODEL_PATH, 'wb') as f:         pickle.dump(clf, f)      with open(VECTORIZER_PATH, 'wb') as f:         pickle.dump(vectorizer, f)   if __name__ == \"__main__\":     train_model()<\/code><\/pre>\n<p>\u0413\u043e\u0442\u043e\u0432\u043e, \u0441\u043f\u0430\u0441\u0438\u0431\u043e \u0438\u043d\u0436\u0435\u043d\u0435\u0440\u0430\u043c, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0434\u0435\u043b\u0430\u044e\u0442 \u044d\u0442\u0438 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0438 !!!!<\/p>\n<h2>6. \u041a\u0430\u043a \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c?<\/h2>\n<p>\u041f\u0438\u0448\u0435\u043c \u0441\u043a\u0440\u0438\u043f\u0442, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u0431\u0443\u0434\u0435\u0442 \u043f\u0440\u0438\u043d\u0438\u043c\u0430\u0442\u044c \u0432\u0445\u043e\u0434\u044f\u0449\u0435\u0435 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0435 \u0438 \u0432\u044b\u0434\u0430\u0432\u0430\u0442\u044c \u043e\u0442\u0432\u0435\u0442. \u041e\u0431\u0440\u0430\u0449\u0430\u044e \u0432\u043d\u0438\u043c\u0430\u043d\u0438\u0435, \u0432\u0445\u043e\u0434\u044f\u0449\u0438\u0439 \u0437\u0430\u043f\u0440\u043e\u0441 \u0434\u043e\u043b\u0436\u0435\u043d \u0431\u044b\u0442\u044c \u043f\u043e\u0447\u0438\u0449\u0435\u043d \u0442\u043e\u0439 \u0436\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u0435\u0439 \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u043c\u044b \u0433\u043e\u0442\u043e\u0432\u0438\u043b\u0438 \u0438\u0441\u0445\u043e\u0434\u043d\u0438\u043a\u0438!<\/p>\n<p>\u041e\u0442\u0432\u0435\u0442 \u0431\u0443\u0434\u0435\u0442 \u043f\u0438\u0441\u0430\u0442\u044c \u0432\u043e \u0432\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u0439 \u0444\u0430\u0439\u043b.<\/p>\n<p>\u041a\u043e\u0434 \u043d\u0438\u0436\u0435 \u0440\u0430\u0441\u0441\u0447\u0438\u0442\u0430\u043d \u043d\u0430 \u043e\u0431\u043c\u0435\u043d \u0441 1\u0421, \u0430 \u0438\u043c\u0435\u043d\u043d\u043e, \u0434\u043e\u043f\u043e\u043b\u043d\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u043f\u0440\u0438\u043d\u0438\u043c\u0430\u0435\u0442 \u0438\u043c\u044f \u0444\u0430\u0439\u043b\u0430 \u0447\u0435\u0440\u0435\u0437 \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u0431\u0443\u0434\u0435\u0442 \u043f\u0440\u043e\u0438\u0441\u0445\u043e\u0434\u0438\u0442\u044c \u043e\u0431\u043c\u0435\u043d.<\/p>\n<pre><code class=\"python\"># -*- coding: utf-8 -*-  import logging import pickle import sys  MAIN_DIR        = r\"\\\\app1\\1C\\work\\\u0412\u043b\u043e\u0436\u0435\u043d\u0438\u044f\\Python_projects\\ClassifierOfUserRequests\" LOG_PATH        = r\"\\\\app1\\1C\\work\\\u0412\u043b\u043e\u0436\u0435\u043d\u0438\u044f\\Python_projects\\ClassifierOfUserRequests\\log.txt\" VECTORIZER_PATH = r\"\\\\app1\\1C\\work\\\u0412\u043b\u043e\u0436\u0435\u043d\u0438\u044f\\Python_projects\\ClassifierOfUserRequests\\vectorizer.pickle\" MODEL_PATH      = r\"\\\\app1\\1C\\work\\\u0412\u043b\u043e\u0436\u0435\u043d\u0438\u044f\\Python_projects\\ClassifierOfUserRequests\\model.pickle\"  # \u041b\u043e\u0433\u0435\u0440 \u043f\u0440\u043e\u043f\u0443\u0441\u043a\u0430\u0435\u043c, \u043d\u0438\u0447\u0435\u0433\u043e \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u043e\u0433\u043e! def create_logger(name, log_level=logging.DEBUG, stdout=False, file=None):     '''     \u0421\u043e\u0437\u0434\u0430\u0435\u0442 \u043b\u043e\u0433\u0435\u0440\u0430, \u0435\u0441\u0442\u044c \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u044c \u0441\u043e\u0437\u0434\u0430\u0442\u044c \u043b\u043e\u0433\u0435\u0440\u0430 \u0441 \u0432\u044b\u0432\u043e\u0434\u043e\u043c \u0432 stdout \u0438\u043b\u0438 \u0432 \u0444\u0430\u0439\u043b \u0438\u043b\u0438 \u0442\u0443\u0434\u0430 \u0438 \u0442\u0443\u0434\u0430.     '''      logger = logging.getLogger(name)     logger.setLevel(log_level)     formatter = logging.Formatter(fmt='[%(asctime)s] - %(name)s - %(levelname).1s - %(message)s',                                   datefmt='%Y.%m.%d %H:%M:%S')      if file is not None:         fh = logging.FileHandler(file, encoding='utf-8-sig')         fh.setLevel(log_level)         fh.setFormatter(formatter)         logger.addHandler(fh)      if stdout:         ch = logging.StreamHandler()         ch.setLevel(log_level)         ch.setFormatter(formatter)         logger.addHandler(ch)      return logger   def main():      # \u041f\u0440\u0438\u043d\u0438\u043c\u0430\u0435\u043c \u043f\u043e\u0447\u0438\u0449\u0435\u043d\u043e\u0435 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0435 \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u044f (\u0442\u0435\u043a\u0441)     user_request = sys.argv[1].lower()      # \u0418\u043c\u044f \u0444\u0430\u0439\u043b\u0430 \u043e\u0431\u043c\u0435\u043d\u0430 \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u0441\u043e\u0437\u0434\u0430\u0435\u0442 1\u0421 \u0438 \u0432 \u043f\u043e\u0441\u043b\u0435\u0434\u0441\u0442\u0432\u0438\u0438 \u0443\u0434\u0430\u043b\u0438\u0442     pred_path = sys.argv[2]     logger.info(user_request)      # \u0412\u043e\u0441\u0442\u0430\u043d\u0430\u0432\u043b\u0438\u0432\u0430\u0435\u043c \u043d\u0430\u0448 \u0432\u0435\u043a\u0442\u043e\u0440\u0438\u0437\u0430\u0442\u043e\u0440     with open(VECTORIZER_PATH, 'rb') as f:         vectorizer = pickle.load(f)      # \u0412\u043e\u0441\u0442\u0430\u043d\u0430\u0432\u043b\u0438\u0432\u0430\u0435\u043c \u043d\u0430\u0448\u0443 \u043c\u043e\u0434\u0435\u043b\u044c         with open(MODEL_PATH, 'rb') as f:         model = pickle.load(f)      # \u041f\u0440\u0438\u0432\u043e\u0434\u0438\u043c \u043e\u0431\u0440\u0430\u0448\u0435\u043d\u0438\u0435 \u043a \u0432\u0435\u043a\u0442\u043e\u0440\u0443         transform_request = vectorizer.transform([user_request])      # \u041f\u0438\u0448\u0435\u043c \u043e\u0442\u0432\u0435\u0442 \u0432 \u0444\u0430\u0439\u043b \u043e\u0431\u043c\u0435\u043d\u0430     with open(MAIN_DIR + '\\\\' + pred_path, 'w') as f:         prediction = str(model.predict(transform_request)[0])         f.write(prediction)      logger.info(prediction)   if __name__ == '__main__':     try:         logger = create_logger(\"log\", file=LOG_PATH)         main()     except Exception as e:         logger.error(e)<\/code><\/pre>\n<p>\u041d\u0430 \u0441\u0442\u043e\u0440\u043e\u043d\u0435 1\u0421<\/p>\n<pre><code class=\"1c\">\u0424\u0443\u043d\u043a\u0446\u0438\u044f \u041f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u0430\u0442\u044c\u041e\u0442\u0434\u0435\u043b(\u0422\u0435\u043a\u0441\u041e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u044f) \u042d\u043a\u0441\u043f\u043e\u0440\u0442  \u041f\u0443\u0442\u044c\u043f\u0440\u0438\u043b\u043e\u0436\u0435\u043d\u0438\u044f = \"\\\\app1\\1C\\work\\\u0412\u043b\u043e\u0436\u0435\u043d\u0438\u044f\\Python_projects\\ClassifierOfUserRequests\\\";  \u041e\u0447\u0438\u0449\u0435\u043d\u044b\u0439\u0417\u0430\u043f\u0440\u043e\u0441 = \u041f\u043e\u0447\u0438\u0441\u0442\u0438\u0442\u044c\u041f\u043e\u043b\u0435(\u0422\u0435\u043a\u0441\u0442\u041e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u044f);    \u0418\u043c\u044f\u0424\u0430\u0439\u043b\u0430\u041e\u0431\u043c\u0435\u043d\u0430 = \u0421\u0442\u0440\u0417\u0430\u043c\u0435\u043d\u0438\u0442\u044c(\u0421\u0442\u0440\u0417\u0430\u043c\u0435\u043d\u0438\u0442\u044c(\u0421\u0442\u0440\u0417\u0430\u043c\u0435\u043d\u0438\u0442\u044c(\u0421\u0442\u0440\u043e\u043a\u0430(\u0422\u0435\u043a\u0443\u0449\u0430\u044f\u0414\u0430\u0442\u0430()), \".\", \"\"), \" \", \"\"), \":\", \"\") + \".txt\";    \/\/\u0432\u043d\u0438\u043c\u0430\u0442\u0435\u043b\u044c\u043d\u043e \u0441 \u043a\u0430\u0432\u044b\u0447\u043a\u0430\u043c\u0438 !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! \u041a\u043e\u043c\u0430\u043d\u0434\u0430\u0418\u0442\u043e\u0433 = \"\"\"\" + \u041f\u0443\u0442\u044c\u043f\u0440\u0438\u043b\u043e\u0436\u0435\u043d\u0438\u044f + \"predict\\predict.exe\"\"\" + \" \"\"\" + \u041e\u0447\u0438\u0449\u0435\u043d\u044b\u0439\u0417\u0430\u043f\u0440\u043e\u0441 + \"\"\"\" + \" \"\"\" + \u0418\u043c\u044f\u0424\u0430\u0439\u043b\u0430\u041e\u0431\u043c\u0435\u043d\u0430 + \"\"\"\"; \u0417\u0430\u043f\u0443\u0441\u0442\u0438\u0442\u044c\u041f\u0440\u0438\u043b\u043e\u0436\u0435\u043d\u0438\u0435(\u041a\u043e\u043c\u0430\u043d\u0434\u0430\u0418\u0442\u043e\u0433,, \u0418\u0441\u0442\u0438\u043d\u0430);  \u041f\u043e\u043f\u044b\u0442\u043a\u0430 \u041f\u0443\u0442\u044c\u041a\u0424\u0430\u0439\u043b\u0443\u041e\u0431\u043c\u0435\u043d\u0430 = \u041f\u0443\u0442\u044c\u043f\u0440\u0438\u043b\u043e\u0436\u0435\u043d\u0438\u044f + \u0418\u043c\u044f\u0424\u0430\u0439\u043b\u0430\u041e\u0431\u043c\u0435\u043d\u0430; \u041f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u0430\u043d\u0438\u0435 = \u041d\u043e\u0432\u044b\u0439 \u0427\u0442\u0435\u043d\u0438\u0435\u0422\u0435\u043a\u0441\u0442\u0430; \u041f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u0430\u043d\u0438\u0435.\u041e\u0442\u043a\u0440\u044b\u0442\u044c(\u041f\u0443\u0442\u044c\u041a\u0424\u0430\u0439\u043b\u0443\u041e\u0431\u043c\u0435\u043d\u0430);               \u041e\u0442\u0432\u0435\u0442 = \u041f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u0430\u043d\u0438\u0435.\u041f\u0440\u043e\u0447\u0438\u0442\u0430\u0442\u044c\u0421\u0442\u0440\u043e\u043a\u0443(); \u041f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u0430\u043d\u0438\u0435.\u0417\u0430\u043a\u0440\u044b\u0442\u044c();; \u0423\u0434\u0430\u043b\u0438\u0442\u044c\u0424\u0430\u0439\u043b\u044b(\u041f\u0443\u0442\u044c\u041a\u0424\u0430\u0439\u043b\u0443\u041e\u0431\u043c\u0435\u043d\u0430); \u0418\u0441\u043a\u043b\u044e\u0447\u0435\u043d\u0438\u0435 \u0421\u043e\u043e\u0431\u0449\u0438\u0442\u044c(\u041e\u043f\u0438\u0441\u0430\u043d\u0438\u0435\u041e\u0448\u0438\u0431\u043a\u0438()); \u0421\u043e\u043e\u0431\u0449\u0438\u0442\u044c(\"\u041d\u0435 \u0443\u0434\u0430\u043b\u043e\u0441\u044c \u0430\u0432\u0442\u043e\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438 \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0438\u0442\u044c \u043e\u0442\u0434\u0435\u043b \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u044f!\"); \u041a\u043e\u043d\u0435\u0446\u041f\u043e\u043f\u044b\u0442\u043a\u0438;  \u0415\u0441\u043b\u0438 \u041e\u0442\u0432\u0435\u0442 = \"1\" \u0422\u043e\u0433\u0434\u0430 \u041f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u0430\u043d\u0438\u044b\u0439\u041e\u0442\u0434\u0435\u043b = \u0421\u043f\u0440\u0430\u0432\u043e\u0447\u043d\u0438\u043a\u0438.\u041e\u0442\u0434\u0435\u043b\u044b.\u041d\u0430\u0439\u0442\u0438\u041f\u043e\u041d\u0430\u0438\u043c\u0435\u043d\u043e\u0432\u0430\u043d\u0438\u044e(\"\u041f\u0440\u043e\u0433\u0440\u0430\u043c\u043c\u043d\u044b\u0435 \u0440\u0430\u0437\u0440\u0430\u0431\u043e\u0442\u043a\u0438\"); \u0418\u043d\u0430\u0447\u0435 \u041f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u0430\u043d\u0438\u044b\u0439\u041e\u0442\u0434\u0435\u043b = \u0421\u043f\u0440\u0430\u0432\u043e\u0447\u043d\u0438\u043a\u0438.\u041e\u0442\u0434\u0435\u043b\u044b.\u041d\u0430\u0439\u0442\u0438\u041f\u043e\u041d\u0430\u0438\u043c\u0435\u043d\u043e\u0432\u0430\u043d\u0438\u044e(\"IT\"); \u041a\u043e\u043d\u0435\u0446\u0415\u0441\u043b\u0438;    \u0412\u043e\u0437\u0432\u0440\u0430\u0442 \u041f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u0430\u043d\u043d\u044b\u0439\u041e\u0442\u0434\u0435\u043b;  \u041a\u043e\u043d\u0435\u0446\u0424\u0443\u043d\u043a\u0446\u0438\u0438 <\/code><\/pre>\n<h2>7. \u0423\u0441\u043a\u043e\u0440\u044f\u0435\u043c\u0441\u044f<\/h2>\n<p>\u0427\u0442\u043e \u0431\u044b \u043e\u0442\u0440\u0430\u0431\u0430\u0442\u044b\u0432\u0430\u043b\u043e \u0431\u044b\u0441\u0442\u0440\u0435\u0435, \u0440\u0435\u043a\u043e\u043c\u0435\u043d\u0434\u0443\u044e \u0441\u043a\u043e\u043c\u043f\u0438\u043b\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0441\u043a\u0440\u0438\u043f\u0442 \u043f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u0430\u0442\u043e\u0440.<\/p>\n<p>\u0424\u043b\u0430\u0433\u0438 \u043a\u043e\u043c\u043f\u0438\u043b\u044f\u0446\u0438\u0438<\/p>\n<pre><code class=\"bash\">pyinstaller -F --hidden-import=\"sklearn\" --hidden-import=\"sklearn.feature_extraction\" --hidden-import=\"sklearn.utils._weight_vector\"predict.pyw<\/code><\/pre>\n<p>\u0442\u0430\u043a \u043c\u043d\u043e\u0433\u043e, \u0447\u0442\u043e \u0431\u044b \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430 &#171;sklearn&#187; \u0443\u0434\u0430\u0447\u043d\u043e \u043f\u043e\u0434\u0442\u044f\u043d\u0443\u043b\u0430\u0441\u044c. <\/p>\n<p><code>.pyw<\/code> &#8212; \u0447\u0442\u043e \u0431\u044b \u043d\u0435 \u0432\u044b\u043b\u0435\u0437\u0430\u043b\u043e \u043a\u043e\u043d\u0441\u043e\u043b\u044c\u043d\u043e\u0435 \u043e\u043a\u043d\u043e.<\/p>\n<h2>7.1 \u041e\u043a\u0430\u0437\u0430\u043b\u043e\u0441\u044c &#8230;<\/h2>\n<p>\u0412 \u043f\u043e\u0438\u0441\u043a\u0430\u0445 \u043b\u0443\u0447\u0448\u0435\u0433\u043e \u0440\u0435\u0448\u0435\u043d\u0438\u044f \u043f\u043e \u0438\u043d\u0442\u0435\u0433\u0440\u0430\u0446\u0438\u0438 \u0441 1\u0421 \u043d\u0430\u0442\u043a\u043d\u0443\u043b\u0441\u044f \u043d\u0430 \u0441\u0442\u0430\u0442\u044c\u044e <a href=\"https:\/\/habr.com\/ru\/post\/332082\/\" rel=\"noopener noreferrer nofollow\">https:\/\/habr.com\/ru\/post\/332082\/<\/a>, atnes &#8212; \u043e\u0442 \u0434\u0443\u0448\u0438 \u0442\u0435\u0431\u0435 !!!<\/p>\n<p>\u0418\u0442\u043e\u0433\u043e. \u0414\u0435\u043b\u0430\u0435\u043c COM \u043e\u0431\u044a\u0435\u043a\u0442<\/p>\n<pre><code>class PredictWrapper:      # com spec     _public_methods_ = ['predict', ] # \u043c\u0435\u0442\u043e\u0434\u044b \u043e\u0431\u044a\u0435\u043a\u0442\u0430     _public_attrs_ = ['version', ] # \u0430\u0442\u0440\u0438\u0431\u0443\u0442\u044b \u043e\u0431\u044a\u0435\u043a\u0442\u0430     _readonly_attr_ = []     _reg_clsid_ = '{9cb58c50-2d01-41e9-99d5-07e1fa4baf16}' # uuid \u043e\u0431\u044a\u0435\u043a\u0442\u0430     _reg_progid_= 'PredictWrapper' # id \u043e\u0431\u044a\u0435\u043a\u0442\u0430     _reg_desc_  = 'COM wrapper for LR_model' # \u043e\u043f\u0438\u0441\u0430\u043d\u0438\u0435 \u043e\u0431\u044a\u0435\u043a\u0442\u0430      def __init__(self):         self.VECTORIZER_PATH = r\"\\\\app1\\1C\\work\\\u0412\u043b\u043e\u0436\u0435\u043d\u0438\u044f\\Python_projects\\ClassifierOfUserRequests\\vectorizer.pickle\"         self.MODEL_PATH = r\"\\\\app1\\1C\\work\\\u0412\u043b\u043e\u0436\u0435\u043d\u0438\u044f\\Python_projects\\ClassifierOfUserRequests\\model.pickle\"      def predict(self, user_request):          import sklearn         import pickle          with open(self.VECTORIZER_PATH, 'rb') as f:             vectorizer = pickle.load(f)          with open(self.MODEL_PATH, 'rb') as f:             model = pickle.load(f)          transform_request = vectorizer.transform([user_request])          return str(model.predict(transform_request)[0])   def main():     import win32com.server.register     win32com.server.register.UseCommandLine(PredictWrapper)     print('registred')   if __name__ == '__main__':     main()<\/code><\/pre>\n<p>\u0410 \u043d\u0430 \u0441\u0442\u043e\u0440\u043e\u043d\u0435 1\u0421<\/p>\n<pre><code class=\"1c\">\u043e\u0431\u0412\u044b\u0431\u0440\u0430\u0442\u044c\u041e\u0442\u0434\u0435\u043b = \u041d\u043e\u0432\u044b\u0439 COM\u041e\u0431\u044a\u0435\u043a\u0442(\"PredictWrapper\"); \u041e\u0442\u0432\u0435\u0442 = \u043e\u0431\u0412\u044b\u0431\u0440\u0430\u0442\u044c\u041e\u0442\u0434\u0435\u043b.predict(\u0422\u0435\u043a\u0441\u0442\u0412\u043e\u043f\u0440\u043e\u0441\u0430);<\/code><\/pre>\n<h2>8. \u0413\u043e\u0442\u043e\u0432\u043e<\/h2>\n<p>\u0421\u0445\u0435\u043c\u0430 \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442 \u043e\u0447\u0435\u043d\u044c \u0445\u043e\u0440\u043e\u0448\u043e! \u041f\u0440\u043e\u0432\u0435\u0440\u0435\u043d\u043e.<\/p>\n<p>\u041a\u0430\u043a \u0412\u044b \u043f\u043e\u043d\u0438\u043c\u0430\u0435\u0442\u0435, \u043f\u043e \u0430\u043d\u0430\u043b\u043e\u0433\u0438\u0438 \u043c\u043e\u0436\u043d\u043e \u043f\u0440\u0438\u0434\u0443\u043c\u0430\u0442\u044c \u043c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u043e \u0432\u0430\u0440\u0438\u0430\u043d\u0442\u043e\u0432 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u044f &#8230; \u041c\u043e\u0436\u0435\u0442\u0435 \u043f\u0440\u043e\u0447\u0435\u043a\u0430\u0442\u044c \u0441\u0442\u0438\u0445\u0438 \u043f\u043e\u044d\u0442\u043e\u0432 \u0438 \u043f\u043e\u0442\u043e\u043c \u0432\u044b\u0431\u0438\u0440\u0430\u0442\u044c, \u043a\u043e\u043c\u0443 \u043f\u0440\u0438\u043d\u0430\u0434\u043b\u0435\u0436\u0438\u0442 \u0430\u0432\u0442\u043e\u0440\u0441\u0442\u0432\u043e, \u0440\u0430\u0437\u0443\u043c\u0435\u0435\u0442\u0441\u044f \u0432 \u0444\u043e\u0440\u043c\u0430\u0442\u0435 1v1 =) \u041b\u0438\u0431\u043e \u041f\u0443\u0448\u043a\u0438\u043d \u043b\u0438\u0431\u043e \u041b\u0435\u0440\u043c\u043e\u043d\u0442\u043e\u0432.<\/p>\n<\/div>\n<\/div>\n<\/div>\n<p><!----><!----><\/div>\n<p><!----><!----><br \/> \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438 <a href=\"https:\/\/habr.com\/ru\/articles\/569206\/\"> https:\/\/habr.com\/ru\/articles\/569206\/<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<div><!--[--><!--]--><\/div>\n<div id=\"post-content-body\">\n<div>\n<div class=\"article-formatted-body article-formatted-body article-formatted-body_version-2\">\n<div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\">\n<figure class=\"full-width\"><figcaption><\/figcaption><\/figure>\n<h2>1. \u041e\u043f\u0438\u0441\u0430\u043d\u0438\u0435 \u0437\u0430\u0434\u0430\u0447\u0438<\/h2>\n<p>\u0412 \u043d\u0430\u0448\u0435\u0439 \u043a\u043e\u043c\u043f\u0430\u043d\u0438\u0438 \u043e\u0447\u0435\u043d\u044c \u043c\u043d\u043e\u0433\u043e \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u0435\u0439 \u0438 \u043a\u0430\u0436\u0434\u044b\u0439 \u0434\u0435\u043d\u044c \u043e\u043d\u0438 \u0448\u043b\u044e\u0442 \u043c\u0430\u0441\u0441\u0443 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0439 \u043d\u0430 \u0441\u0430\u043c\u044b\u0435 \u0440\u0430\u0437\u043d\u044b\u0435 \u0442\u0435\u043c\u044b. \u0423 \u043d\u0430\u0441 \u0435\u0441\u0442\u044c \u0434\u0432\u0430 \u043e\u0442\u0434\u0435\u043b\u0430: &#171;\u041f\u0440\u043e\u0433\u0440\u0430\u043c\u043c\u043d\u044b\u0435 \u0440\u0430\u0437\u0440\u0430\u0431\u043e\u0442\u043a\u0438&#187; \u0438 &#171;\u0421\u0438\u0441\u0442\u0435\u043c\u043d\u044b\u0435 \u0430\u0434\u043c\u0438\u043d\u0438\u0441\u0442\u0440\u0430\u0442\u043e\u0440\u044b&#187;, \u0438 \u0447\u0442\u043e \u0431\u044b \u043e\u0431\u043b\u0435\u0433\u0447\u0438\u0442\u044c \u0436\u0438\u0437\u043d\u044c \u0442\u0435\u0445\u043f\u043e\u0434\u0434\u0435\u0440\u0436\u043a\u0435, \u0431\u044b\u043b \u043d\u0430\u043f\u0438\u0441\u0430\u043d \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u0441\u0442\u044b\u043a\u0443\u0435\u0442 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0435 \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u044f \u043d\u0430 \u0442\u043e\u0442 \u0438\u043b\u0438 \u0434\u0440\u0443\u0433\u043e\u0439 \u043e\u0442\u0434\u0435\u043b. \u0412 \u043e\u0441\u043d\u043e\u0432\u0435 \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440\u0430 \u043b\u0435\u0436\u0438\u0442 \u043b\u043e\u0433\u0438\u0441\u0442\u0438\u0447\u0435\u0441\u043a\u0430\u044f \u0440\u0435\u0433\u0440\u0435\u0441\u0441\u0438\u044f.<\/p>\n<h2>2. \u041e\u0431\u0449\u0430\u044f \u043b\u043e\u0433\u0438\u043a\u0430<\/h2>\n<ol>\n<li>\n<p>\u0421\u043e\u0431\u0440\u0430\u0442\u044c \u0438\u0441\u0445\u043e\u0434\u043d\u044b\u0435 \u0434\u0430\u043d\u043d\u044b\u0435<\/p>\n<\/li>\n<li>\n<p>\u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u0438\u0442\u044c \u0434\u0430\u043d\u043d\u044b\u0435 (\u043f\u043e\u0447\u0438\u0441\u0442\u0438\u0442\u044c, \u043f\u0440\u0438\u0432\u0435\u0441\u0442\u0438 \u0432 \u043d\u0443\u0436\u043d\u044b\u0439 \u0444\u043e\u0440\u043c\u0430\u0442)<\/p>\n<\/li>\n<li>\n<p>\u041e\u0431\u0443\u0447\u0438\u0442\u044c \u043c\u043e\u0434\u0435\u043b\u044c<\/p>\n<\/li>\n<li>\n<p>\u041f\u043e\u0434\u0430\u0442\u044c \u043d\u043e\u0432\u043e\u0435 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0435 \u0432 \u043c\u043e\u0434\u0435\u043b\u044c \u0438 \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u043e\u0442\u0432\u0435\u0442<\/p>\n<p>\u0412\u0441\u0435 \u043e\u0447\u0435\u043d\u044c \u043f\u0440\u043e\u0441\u0442\u043e! \u0421\u0430\u043c \u0432 \u0448\u043e\u043a\u0435 =)<\/p>\n<\/li>\n<\/ol>\n<h2>3. \u041f\u043e\u043b\u0435\u0437\u043d\u044b\u0435 \u0441\u0441\u044b\u043b\u043a\u0438<\/h2>\n<p>\u0422\u0443\u0442 \u043e\u0441\u0442\u0430\u0432\u043b\u044e \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0441\u0441\u044b\u043b\u043a\u0438<\/p>\n<ol>\n<li>\n<p><a href=\"https:\/\/ru.coursera.org\/learn\/machine-learning\/lecture\/4BHEy\/regularized-logistic-regression\" rel=\"noopener noreferrer nofollow\">\u041b\u0435\u043a\u0446\u0438\u044f Coursera<\/a><\/p>\n<\/li>\n<li>\n<p><a href=\"https:\/\/habrahabr.ru\/company\/io\/blog\/265007\/\" rel=\"noopener noreferrer nofollow\">\u0421\u0442\u0430\u0442\u044c\u044f \u043d\u0430 \u0425\u0430\u0431\u0440\u0435<\/a><\/p>\n<\/li>\n<li>\n<p><a href=\"https:\/\/www.youtube.com\/watch?v=1vklt6IHeJI\" rel=\"noopener noreferrer nofollow\">https:\/\/www.youtube.com\/watch?v=1vklt6IHeJI<\/a><\/p>\n<\/li>\n<li>\n<p><a href=\"http:\/\/scikit-learn.org\/stable\/modules\/feature_extraction.html#text-feature-extraction\" rel=\"noopener noreferrer nofollow\">\u041f\u043e\u0434\u0440\u043e\u0431\u043d\u0435\u0435 \u043f\u0440\u043e \u0432\u0435\u043a\u0442\u043e\u0440\u043d\u043e\u0435 \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u0435\u043d\u0438\u0435 \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u043e\u0432<\/a><\/p>\n<\/li>\n<li>\n<p><a href=\"http:\/\/www.scipy-lectures.org\/advanced\/scipy_sparse\/\" rel=\"noopener noreferrer nofollow\">\u0420\u0430\u0437\u0440\u044f\u0436\u0435\u043d\u043d\u044b\u0435 \u043c\u0430\u0442\u0440\u0438\u0446\u044b<\/a><\/p>\n<\/li>\n<li>\n<p><a href=\"http:\/\/scikit-learn.org\/stable\/modules\/feature_extraction.html#common-vectorizer-usage\" rel=\"noopener noreferrer nofollow\">\u0422\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440<\/a><\/p>\n<\/li>\n<li>\n<p><a href=\"http:\/\/docs.scipy.org\/doc\/scipy-0.14.0\/reference\/sparse.html\" rel=\"noopener noreferrer nofollow\">\u041f\u043e\u0434\u0440\u043e\u0431\u043d\u0435\u0435 \u043f\u0440\u043e \u0440\u0430\u0437\u0440\u0435\u0436\u0435\u043d\u043d\u044b\u0435 \u043c\u0430\u0442\u0440\u0438\u0446\u044b<\/a><\/p>\n<\/li>\n<\/ol>\n<h2>4. \u0421\u043e\u0431\u0438\u0440\u0430\u0435\u043c \u0434\u0430\u043d\u043d\u044b\u0435<\/h2>\n<p>\u041c\u044b \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u043c \u0432 \u0441\u0438\u0441\u0442\u0435\u043c\u0435 1\u0421, \u043f\u043e\u044d\u0442\u043e\u043c\u0443, \u0434\u0435\u043b\u0430\u0435\u043c \u0437\u0430\u043f\u0440\u043e\u0441 \u043a \u0431\u0430\u0437\u0435 \u0438 \u0432\u044b\u0431\u0438\u0440\u0430\u0435\u043c \u0432\u0441\u0435 \u043e\u0442\u0440\u0430\u0431\u043e\u0442\u0430\u043d\u043d\u044b\u0435 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u044f \u0441 \u043d\u0430\u0447\u0430\u043b\u0430 \u0432\u0440\u0435\u043c\u0435\u043d. \u0411\u0443\u0434\u0435\u043c \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u044d\u0442\u0438 \u0434\u0430\u043d\u043d\u044b\u0435 \u0434\u043b\u044f \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f. \u0420\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u043e\u043c \u0437\u0430\u043f\u0440\u043e\u0441\u0430 \u0431\u0443\u0434\u0435\u0442 \u044f\u0432\u043b\u044f\u0442\u044c\u0441\u044f \u0442\u0430\u0431\u043b\u0438\u0446\u0430, \u0433\u0434\u0435 \u0432 \u043f\u0435\u0440\u0432\u043e\u0439 \u043a\u043e\u043b\u043e\u043d\u043a\u0435 \u0431\u0443\u0434\u0435\u0442 \u0442\u0435\u043a\u0441\u0442 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0439 \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u0435\u0439, \u0430 \u0432\u043e \u0432\u0442\u043e\u0440\u043e\u0439 &#171;1&#187; \u0438\u043b\u0438 &#171;0&#187;, \u0433\u0434\u0435 &#171;1&#187; &#8212; \u044d\u0442\u043e &#171;\u041f\u0440\u043e\u0433\u0440\u0430\u043c\u043c\u043d\u044b\u0435 \u0440\u0430\u0437\u0440\u0430\u0431\u043e\u0442\u043a\u0438&#187;, \u0430 &#171;0&#187; &#8212; &#171;\u0421\u0438\u0441\u0442\u0435\u043c\u043d\u044b\u0435 \u0430\u0434\u043c\u0438\u043d\u0438\u0441\u0442\u0440\u0430\u0442\u043e\u0440\u044b&#187;.<\/p>\n<pre><code>\u0424\u0443\u043d\u043a\u0446\u0438\u044f \u041f\u043e\u043b\u0443\u0447\u0438\u0442\u044c\u0421\u044b\u0440\u044b\u0435\u0414\u0430\u043d\u043d\u044b\u0435()  \u0417\u0430\u043f\u0440\u043e\u0441 = \u041d\u043e\u0432\u044b\u0439 \u0417\u0430\u043f\u0440\u043e\u0441; \u0417\u0430\u043f\u0440\u043e\u0441.\u0422\u0435\u043a\u0441\u0442 =  \"\u0412\u042b\u0411\u0420\u0410\u0422\u042c |\u041e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0435\u0412\u0422\u0435\u0445\u041f\u043e\u0434\u0434\u0435\u0440\u0436\u043a\u0443.\u0422\u0435\u043a\u0441\u0442\u0412\u043e\u043f\u0440\u043e\u0441\u0430 \u041a\u0410\u041a Appeal, |\u0412\u042b\u0411\u041e\u0420 |\u041a\u041e\u0413\u0414\u0410 \u041e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0435\u0412\u0422\u0435\u0445\u041f\u043e\u0434\u0434\u0435\u0440\u0436\u043a\u0443.\u041e\u0442\u0434\u0435\u043b\u041e\u0431\u0441\u043b\u0443\u0436\u0438\u0432\u0430\u043d\u0438\u044f.\u041a\u043e\u0434 = 50 |\u0422\u041e\u0413\u0414\u0410 1 |\u0418\u041d\u0410\u0427\u0415 0 |\u041a\u041e\u041d\u0415\u0426 \u041a\u0410\u041a Prediction |\u0418\u0417 |\u0414\u043e\u043a\u0443\u043c\u0435\u043d\u0442.\u041e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0435\u0412\u0422\u0435\u0445\u041f\u043e\u0434\u0434\u0435\u0440\u0436\u043a\u0443 \u041a\u0410\u041a \u041e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0435\u0412\u0422\u0435\u0445\u041f\u043e\u0434\u0434\u0435\u0440\u0436\u043a\u0443 |\u0413\u0414\u0415 |\u041e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0435\u0412\u0422\u0435\u0445\u041f\u043e\u0434\u0434\u0435\u0440\u0436\u043a\u0443.\u0414\u0430\u0442\u0430\u041e\u0442\u0440\u0430\u0431\u043e\u0442\u043a\u0438 &lt;> \u0414\u0410\u0422\u0410\u0412\u0420\u0415\u041c\u042f(1, 1, 1)\";  \u0412\u043e\u0437\u0432\u0440\u0430\u0442 \u0417\u0430\u043f\u0440\u043e\u0441.\u0412\u044b\u043f\u043e\u043b\u043d\u0438\u0442\u044c().\u0412\u044b\u0433\u0440\u0443\u0437\u0438\u0442\u044c();  \u041a\u043e\u043d\u0435\u0446\u0424\u0443\u043d\u043a\u0446\u0438\u0438<\/code><\/pre>\n<p>\u0414\u0430\u043b\u0435\u0435 \u044f \u0440\u0435\u0448\u0438\u043b \u043f\u043e\u0447\u0438\u0441\u0442\u0438\u0442\u044c \u0434\u0430\u043d\u043d\u044b\u0435 \u0438 \u043e\u0441\u0442\u0430\u0432\u0438\u0442\u044c \u0442\u043e\u043b\u044c\u043a\u043e \u0441\u043b\u043e\u0432\u0430 \u0431\u0435\u0437 \u0446\u0438\u0444\u0440, \u0441\u043f\u0435\u0446 \u0441\u0438\u043c\u0432\u043e\u043b\u043e\u0432 \u0438 \u043f\u0440&#8230; \u0422\u0443\u0442 \u043c\u043e\u0436\u043d\u043e \u043f\u043e \u044d\u043a\u0441\u043f\u0435\u0440\u0438\u043c\u0435\u043d\u0442\u0438\u0440\u043e\u0432\u0430\u0442\u044c!!!<\/p>\n<p>\u0424\u0443\u043d\u043a\u0446\u0438\u044f \u0447\u0438\u0441\u0442\u0438\u0442 \u0442\u0435\u043a\u0441\u0442 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u044f. \u041c\u043e\u0433\u0443\u0442 \u043e\u0441\u0442\u0430\u0442\u044c\u0441\u044f \u0434\u0432\u043e\u0439\u043d\u044b\u0435 \u0438\u043b\u0438 \u0442\u0440\u043e\u0439\u043d\u044b\u0435 \u043f\u0440\u043e\u0431\u0435\u043b\u044b \u043d\u043e, \u043e\u043d\u0438 \u0431\u0443\u0434\u0443\u0442 \u043e\u0442\u0431\u0440\u043e\u0448\u0435\u043d\u044b \u043f\u0440\u0438 \u0432\u0435\u043a\u0442\u043e\u0440\u0438\u0437\u0430\u0446\u0438\u0438 \u0442\u0435\u043a\u0441\u0442\u0430.<\/p>\n<pre><code class=\"1c\">\u0424\u0443\u043d\u043a\u0446\u0438\u044f \u041f\u043e\u0447\u0438\u0441\u0442\u0438\u0442\u044c\u041f\u043e\u043b\u0435(\u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435) \u042d\u043a\u0441\u043f\u043e\u0440\u0442  \u0421\u0438\u043c\u0432\u043e\u043b\u044b\u0414\u043b\u044f\u0417\u0430\u043c\u0435\u043d\u044b = \"1234567890\"; \u0421\u0438\u043c\u0432\u043e\u043b\u044b\u0414\u043b\u044f\u0417\u0430\u043c\u0435\u043d\u044b = \u0421\u0438\u043c\u0432\u043e\u043b\u044b\u0414\u043b\u044f\u0417\u0430\u043c\u0435\u043d\u044b + \"(){}[]:;\"\"'\\|&lt;>.,\/?\"; \u0421\u0438\u043c\u0432\u043e\u043b\u044b\u0414\u043b\u044f\u0417\u0430\u043c\u0435\u043d\u044b = \u0421\u0438\u043c\u0432\u043e\u043b\u044b\u0414\u043b\u044f\u0417\u0430\u043c\u0435\u043d\u044b + \"*-+=_\"; \u0421\u0438\u043c\u0432\u043e\u043b\u044b\u0414\u043b\u044f\u0417\u0430\u043c\u0435\u043d\u044b = \u0421\u0438\u043c\u0432\u043e\u043b\u044b\u0414\u043b\u044f\u0417\u0430\u043c\u0435\u043d\u044b + \"!@#$%^&amp;\u2116\";  \u0414\u043b\u044f \u041d\u043e\u043c\u0435\u0440\u0421\u0438\u043c\u0432\u043e\u043b\u0430 = 0 \u041f\u043e \u0421\u0442\u0440\u0414\u043b\u0438\u043d\u0430(\u0421\u0438\u043c\u0432\u043e\u043b\u044b\u0414\u043b\u044f\u0417\u0430\u043c\u0435\u043d\u044b) \u0426\u0438\u043a\u043b \u0421\u0438\u043c\u0432\u043e\u043b = \u0421\u0440\u0435\u0434(\u0421\u0438\u043c\u0432\u043e\u043b\u044b\u0414\u043b\u044f\u0417\u0430\u043c\u0435\u043d\u044b, \u041d\u043e\u043c\u0435\u0440\u0421\u0438\u043c\u0432\u043e\u043b\u0430, 1); \u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435 = \u0421\u0442\u0440\u0417\u0430\u043c\u0435\u043d\u0438\u0442\u044c(\u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435, \u0421\u0438\u043c\u0432\u043e\u043b, \"\"); \u041a\u043e\u043d\u0435\u0446\u0426\u0438\u043a\u043b\u0430;  \u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435 = \u0421\u0442\u0440\u0417\u0430\u043c\u0435\u043d\u0438\u0442\u044c(\u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435, \"\"\"\", \" \"); \u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435 = \u0421\u0442\u0440\u0417\u0430\u043c\u0435\u043d\u0438\u0442\u044c(\u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435, \u0421\u0438\u043c\u0432\u043e\u043b\u044b.\u041f\u0421, \" \"); \u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435 = \u0421\u0442\u0440\u0417\u0430\u043c\u0435\u043d\u0438\u0442\u044c(\u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435, \u0421\u0438\u043c\u0432\u043e\u043b\u044b.\u0412\u041a, \" \"); \u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435 = \u0421\u0442\u0440\u0417\u0430\u043c\u0435\u043d\u0438\u0442\u044c(\u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435, \u0421\u0438\u043c\u0432\u043e\u043b\u044b.\u041d\u041f\u041f, \" \"); \u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435 = \u0421\u0442\u0440\u0417\u0430\u043c\u0435\u043d\u0438\u0442\u044c(\u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435, \u0421\u0438\u043c\u0432\u043e\u043b\u044b.\u041f\u0424, \" \");  \u0412\u043e\u0437\u0432\u0440\u0430\u0442 \u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435;  \u041a\u043e\u043d\u0435\u0446\u0424\u0443\u043d\u043a\u0446\u0438\u0438<\/code><\/pre>\n<p>\u0420\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u043e\u043c \u0434\u0430\u043d\u043d\u043e\u0433\u043e \u044d\u0442\u0430\u043f\u0430 \u0434\u043e\u043b\u0436\u0435\u043d \u0441\u0442\u0430\u0442\u044c .\u0421SV \u0444\u0430\u0439\u043b \u0441 \u043a\u043e\u0442\u043e\u0440\u044b\u043c \u0431\u0443\u0434\u0435\u043c \u0434\u0430\u043b\u044c\u0448\u0435 \u0440\u0430\u0431\u043e\u0442\u0430\u0442\u044c.<\/p>\n<p>\u0422\u0443\u0442 \u043c\u044b \u043a\u0430\u043a \u0440\u0430\u0437 \u0434\u0430\u043d\u043d\u044b\u0439 \u0444\u0430\u0439\u043b \u0438 \u0441\u043e\u0431\u0438\u0440\u0430\u0435\u043c.<\/p>\n<pre><code>\u0424\u0443\u043d\u043a\u0446\u0438\u044f \u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u0442\u044c\u0422\u0417\u0432\u0422\u0435\u043a\u0441\u0442CSV(\u0422\u0417, \u0420\u0430\u0437\u0434\u0435\u043b\u0438\u0442\u0435\u043b\u044c = \",\", \u0444\u043b\u042d\u043a\u0441\u043f\u043e\u0440\u0442\u0438\u0440\u043e\u0432\u0430\u0442\u044c\u0418\u043c\u0435\u043d\u0430\u041a\u043e\u043b\u043e\u043d\u043e\u043a = \u0418\u0441\u0442\u0438\u043d\u0430)  \u0422\u0435\u043a\u0441\u0442CSV = \"\";  \u0415\u0441\u043b\u0438 \u0444\u043b\u042d\u043a\u0441\u043f\u043e\u0440\u0442\u0438\u0440\u043e\u0432\u0430\u0442\u044c\u0418\u043c\u0435\u043d\u0430\u041a\u043e\u043b\u043e\u043d\u043e\u043a \u0422\u043e\u0433\u0434\u0430  \u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u0430\u044f\u0421\u0442\u0440\u043e\u043a\u0430 = \"\";  \u0414\u043b\u044f \u041a\u0430\u0436\u0434\u043e\u0433\u043e \u041a\u043e\u043b\u043e\u043d\u043a\u0430 \u0418\u0437 \u0422\u0417.\u041a\u043e\u043b\u043e\u043d\u043a\u0438 \u0426\u0438\u043a\u043b \u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u0430\u044f\u0421\u0442\u0440\u043e\u043a\u0430 = \u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u0430\u044f\u0421\u0442\u0440\u043e\u043a\u0430 + \u041a\u043e\u043b\u043e\u043d\u043a\u0430.\u0418\u043c\u044f + \u0420\u0430\u0437\u0434\u0435\u043b\u0438\u0442\u0435\u043b\u044c; \u041a\u043e\u043d\u0435\u0446\u0426\u0438\u043a\u043b\u0430;  \u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u0430\u044f\u0421\u0442\u0440\u043e\u043a\u0430 = \u041b\u0435\u0432(\u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u0430\u044f\u0421\u0442\u0440\u043e\u043a\u0430, \u0421\u0442\u0440\u0414\u043b\u0438\u043d\u0430(\u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u0430\u044f\u0421\u0442\u0440\u043e\u043a\u0430) - 1);  \u0422\u0435\u043a\u0441\u0442CSV = \u0422\u0435\u043a\u0441\u0442CSV + \u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u0430\u044f\u0421\u0442\u0440\u043e\u043a\u0430 + \u0421\u0438\u043c\u0432\u043e\u043b\u044b.\u041f\u0421;  \u041a\u043e\u043d\u0435\u0446\u0415\u0441\u043b\u0438;  \u0421\u0447\u0435\u0442\u0447\u0438\u043a = 0;  \u0414\u043b\u044f \u041a\u0430\u0436\u0434\u043e\u0433\u043e \u0421\u0442\u0440\u043e\u043a\u0430 \u0418\u0437 \u0422\u0417 \u0426\u0438\u043a\u043b  \/\/\u0415\u0441\u043b\u0438 \u0421\u0447\u0435\u0442\u0447\u0438\u043a = 10000 \u0422\u043e\u0433\u0434\u0430 \/\/\u041f\u0440\u0435\u0440\u0432\u0430\u0442\u044c; \/\/\u041a\u043e\u043d\u0435\u0446\u0415\u0441\u043b\u0438;  \u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u0430\u044f\u0421\u0442\u0440\u043e\u043a\u0430 = \"\";  \u0414\u043b\u044f \u041a\u0430\u0436\u0434\u043e\u0433\u043e \u041a\u043e\u043b\u043e\u043d\u043a\u0430 \u0418\u0437 \u0422\u0417.\u041a\u043e\u043b\u043e\u043d\u043a\u0438 \u0426\u0438\u043a\u043b  \u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435 = \u0421\u0442\u0440\u043e\u043a\u0430[\u041a\u043e\u043b\u043e\u043d\u043a\u0430.\u0418\u043c\u044f];  \u0415\u0441\u043b\u0438 \u041a\u043e\u043b\u043e\u043d\u043a\u0430.\u0418\u043c\u044f = \"Appeal\" \u0422\u043e\u0433\u0434\u0430 \u041f\u043e\u0447\u0438\u0441\u0442\u0438\u0442\u044c\u041f\u043e\u043b\u0435(\u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435); \u041a\u043e\u043d\u0435\u0446\u0415\u0441\u043b\u0438;  \u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u0430\u044f\u0421\u0442\u0440\u043e\u043a\u0430 = \u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u0430\u044f\u0421\u0442\u0440\u043e\u043a\u0430 + \u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u043d\u043e\u0435\u041f\u043e\u043b\u0435 + \u0420\u0430\u0437\u0434\u0435\u043b\u0438\u0442\u0435\u043b\u044c;  \u041a\u043e\u043d\u0435\u0446\u0426\u0438\u043a\u043b\u0430;  \u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u0430\u044f\u0421\u0442\u0440\u043e\u043a\u0430 = \u041b\u0435\u0432(\u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u0430\u044f\u0421\u0442\u0440\u043e\u043a\u0430, \u0421\u0442\u0440\u0414\u043b\u0438\u043d\u0430(\u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u0430\u044f\u0421\u0442\u0440\u043e\u043a\u0430) - 1);  \u0422\u0435\u043a\u0441\u0442CSV = \u0422\u0435\u043a\u0441\u0442CSV + \u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u0430\u044f\u0421\u0442\u0440\u043e\u043a\u0430 + \u0421\u0438\u043c\u0432\u043e\u043b\u044b.\u041f\u0421;  \u0421\u0447\u0435\u0442\u0447\u0438\u043a = \u0421\u0447\u0435\u0442\u0447\u0438\u043a + 1;  \u041a\u043e\u043d\u0435\u0446\u0426\u0438\u043a\u043b\u0430;  \u0412\u043e\u0437\u0432\u0440\u0430\u0442 \u0422\u0435\u043a\u0441\u0442CSV;  \u041a\u043e\u043d\u0435\u0446\u0424\u0443\u043d\u043a\u0446\u0438\u0438 <\/code><\/pre>\n<p>\u0424\u0430\u0439\u043b \u0433\u043e\u0442\u043e\u0432, \u043d\u0430\u0447\u0438\u043d\u0430\u0435\u0442\u0441\u044f \u0441\u0430\u043c\u043e\u0435 \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u043e\u0435.<\/p>\n<h2>5. \u041e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u043c\u043e\u0434\u0435\u043b\u0438<\/h2>\n<pre><code class=\"python\"># -*- coding: utf-8 -*-  import pickle import pandas as pd  from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score from sklearn import linear_model  #\u041f\u0443\u0442\u044c \u043a .csv \u0444\u0430\u0439\u043b\u0443 DATA_PATH           = r\"\\\\app1\\1C\\work\\\u0412\u043b\u043e\u0436\u0435\u043d\u0438\u044f\\Python_projects\\ClassifierOfUserRequests\\data\\train.csv\"  #\u0424\u0430\u0439\u043b \u0433\u0434\u0435 \u0445\u0440\u0430\u043d\u044f\u0442\u0441\u044f \u0434\u0430\u043d\u043d\u044b\u0435 \u043e \u0442\u043e\u0447\u043d\u043e\u0441\u0442\u0438 \u043d\u0430\u0448\u0435\u0439 \u043c\u043e\u0434\u0435\u043b\u0438 (\u0434\u043b\u044f \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0438) MODEL_ACCURACY_PATH = r\"\\\\app1\\1C\\work\\\u0412\u043b\u043e\u0436\u0435\u043d\u0438\u044f\\Python_projects\\ClassifierOfUserRequests\\model_accuracy.txt\"  #\u0422\u0443\u0442 \u043c\u044b \u0445\u0440\u0430\u043d\u0438\u043c \u043d\u0430\u0448\u0443 \u043c\u043e\u0434\u0435\u043b\u044c MODEL_PATH          = r\"\\\\app1\\1C\\work\\\u0412\u043b\u043e\u0436\u0435\u043d\u0438\u044f\\Python_projects\\ClassifierOfUserRequests\\model.pickle\"  #\u0422\u0443\u0442 \u043c\u044b \u0445\u0440\u0430\u043d\u0438\u043c \u043d\u0430\u0448 \u0432\u0435\u043a\u0442\u043e\u0440\u0438\u0437\u0430\u0442\u043e\u0440, \u0447\u0442\u043e \u0431\u044b \u043f\u0440\u0438\u0432\u043e\u0434\u0438\u0442\u044c \u0432\u0445\u043e\u0434\u044f\u0449\u0438\u0435 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u044f \u043a \u043d\u0443\u0436\u043d\u043e\u043c\u0443 \u0432\u0438\u0434\u0443 VECTORIZER_PATH     = r\"\\\\app1\\1C\\work\\\u0412\u043b\u043e\u0436\u0435\u043d\u0438\u044f\\Python_projects\\ClassifierOfUserRequests\\vectorizer.pickle\"   def train_model():  # \u0412\u044b\u0447\u0438\u0442\u044b\u0432\u0430\u0435\u043c \u0438\u0441\u0445\u043e\u0434\u043d\u044b\u0435 \u0434\u0430\u043d\u043d\u044b\u0435          train_df = pd.read_csv(DATA_PATH)  # \u0412\u044b\u0431\u0438\u0440\u0430\u0435\u043c \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u043e \u0434\u0430\u043d\u043d\u044b\u0435 \u043f\u043e \u0434\u0432\u0443\u043c \u043e\u0442\u0434\u0435\u043b\u0430\u043c          train_df_0 = train_df[train_df['Prediction'] == 0]     train_df_1 = train_df[train_df['Prediction'] == 1]      # \u0421\u043c\u043e\u0442\u0440\u044e \u043d\u0430 \u0440\u0430\u0437\u043c\u0435\u0440 \u043c\u0435\u043d\u044c\u0448\u0435\u0433\u043e \u043f\u043e \u043a\u043e\u043b\u0432\u0443 \u0434\u0430\u043d\u043d\u044b\u0445 \u043c\u0430\u0441\u0441\u0438\u0432\u0430, \u0435\u0433\u043e \u0438 \u0431\u0435\u0440\u0435\u043c \u0437\u0430 \u043e\u0441\u043d\u043e\u0432\u0443.          size_0 = train_df_0.shape[0]  # \u041d\u0430\u0448\u0430 \u0437\u0430\u0434\u0430\u0447\u0430 \u0441 \u0431\u0430\u043b\u0430\u043d\u0441\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0434\u0432\u0435 \u044d\u0442\u0438 \u0432\u044b\u0431\u043e\u0440\u043a\u0438, \u043f\u043e\u044d\u0442\u043e\u043c\u0443 \u0438\u0437 \u0431\u043e\u043b\u044c\u0448\u0435\u0439 \u044f \u0440\u0430\u043d\u0434\u043e\u043c\u043d\u043e \u0432\u044b\u0431\u0438\u0440\u0430\u044e      # \u0442\u0430\u043a\u043e\u0435 \u0436\u0435 \u043a\u043e\u043b \u0432\u043e \u0434\u0430\u043d\u043d\u044b\u0445 \u043a\u0430\u043a \u0435\u0441\u0442\u044c \u0432 \u043c\u0435\u043d\u044c\u0448\u0435\u0439 !!!!!!!!          train_df_1 = train_df_1.sample(frac=1).reset_index(drop=True)     train_df_1 = train_df_1[:size_0]  # \u0421\u043e\u0431\u0438\u0440\u0430\u0435\u043c \u0434\u0432\u0435 \u043e\u0434\u0438\u043d\u0430\u043a\u043e\u0432\u044b\u0435 \u043f\u043e \u0440\u0430\u0437\u043c\u0435\u0440\u0443 \u0432\u044b\u0431\u043e\u0440\u043a\u0438 \u0432\u043c\u0435\u0441\u0442\u0435          train_df = pd.concat([train_df_0, train_df_1], ignore_index=True)     train_df.Prediction.value_counts(normalize=True)  # \u041f\u0440\u0438\u0432\u043e\u0434\u0438\u043c \u0441\u043e\u0434\u0435\u0440\u0436\u0438\u043c\u043e\u0435 \u0432 \u043d\u0438\u0436\u043d\u0438\u0439 \u0440\u0435\u0433\u0438\u0441\u0442\u0440          appeal = list(train_df.Appeal.values)     appeal = [str(l).lower() for l in appeal]  # \u0414\u043b\u044f \u0440\u0435\u0448\u0435\u043d\u0438\u044f \u0437\u0430\u0434\u0430\u0447\u0438 \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438 \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u0442\u044c \u043a\u0430\u0436\u0434\u043e\u0435 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0435     # \u0432 \u0432\u0435\u043a\u0442\u043e\u0440. \u0420\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u044c \u0434\u0430\u043d\u043d\u043e\u0433\u043e \u0432\u0435\u043a\u0442\u043e\u0440\u0430 \u0431\u0443\u0434\u0435\u0442 \u0440\u0430\u0432\u043d\u0430 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u0443 \u0441\u043b\u043e\u0432     # \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u043c\u044b\u0445 \u0432\u043e \u0432\u0441\u0435\u0445 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u044f\u0445 \u0432\u043e\u043e\u0431\u0449\u0435! \u041a\u0430\u0436\u0434\u0430\u044f \u043a\u043e\u043e\u0440\u0434\u0438\u043d\u0430\u0442\u0430 \u0441\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0443\u0435\u0442     # \u0441\u043b\u043e\u0432\u0443, \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435 \u0432 \u043a\u043e\u043e\u0440\u0434\u0438\u043d\u0430\u0442\u0435 \u0440\u0430\u0432\u043d\u043e \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u0443 \u0440\u0430\u0437, \u0441\u043b\u043e\u0432\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u0442\u0441\u044f \u0432     # \u0432 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0438.          vectorizer = TfidfVectorizer()     tfidfed = vectorizer.fit_transform(appeal)      # \u0414\u0435\u043b\u0438\u043c \u0432\u044b\u0431\u043e\u0440\u043a\u0443 \u043d\u0430 \u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u043e\u0447\u043d\u0443\u044e \u0438 \u0442\u0435\u0441\u0442\u043e\u0432\u0443\u044e          X = tfidfed     y = train_df.Prediction.values     X_train, X_test, y_train, y_test = train_test_split(X, y, train_size=0.7, random_state=42)          # \u0421\u043e\u0437\u0434\u0430\u0435\u043c \u043e\u0431\u044a\u0435\u043a\u0442 \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440\u0430     # \u0421 \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u0430\u043c\u0438 \u043c\u043e\u0436\u043d\u043e \u043f\u043e\u0438\u0433\u0440\u0430\u0442\u044c\u0441\u044f, \u043c\u043e\u0436\u0435\u0442 \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u0441\u044f \u043d\u0430\u0441\u0442\u0440\u043e\u0438\u0442\u044c \u0435\u0449\u0435 \u0442\u043e\u0447\u043d\u0435\u0435!!!           clf = linear_model.SGDClassifier(max_iter=10000, random_state=42, loss=\"log\", penalty=\"l2\", alpha=1e-5, eta0=1.0,                                      learning_rate=\"optimal\")          # \u041e\u0431\u0443\u0447\u0430\u0435\u043c \u043c\u043e\u0434\u0435\u043b\u044c          clf.fit(X_train, y_train)  # \u041f\u0438\u0448\u0435\u043c \u0434\u0430\u043d\u043d\u044b\u0435 \u0442\u043e\u0447\u043d\u043e\u0441\u0442\u0438 \u0432 \u0444\u0430\u0439\u043b\u0438\u043a, \u0432 \u043c\u043e\u0435\u043c \u0441\u043b\u0443\u0447\u0430\u0435\u043c 94%      with open(MODEL_ACCURACY_PATH, 'w', encoding='utf-8') as f:         f.write(\"Train accuracy = %.3f\\n\" % accuracy_score(y_train, clf.predict(X_train)))         f.write(\"Test accuracy = %.3f\" % accuracy_score(y_test, clf.predict(X_test)))  # \u0412 \u043f\u0438\u0442\u043e\u043d\u0435 \u0432\u0441\u0435 \u043e\u0431\u044a\u0435\u043a\u0442, \u043f\u043e\u044d\u0442\u043e\u043c\u0443 \u043c\u044b \u043c\u043e\u0436\u0435\u043c \u0437\u0430\u043c\u0430\u0440\u0438\u043d\u043e\u0432\u0430\u0442\u044c \u043d\u0430\u0448\u0443 \u043c\u043e\u0434\u0435\u043b\u044c \u0438 \u0432\u0435\u043a\u0442\u043e\u0440\u0438\u0437\u0430\u0442\u043e\u0440 # \u0447\u0442\u043e \u0431\u044b \u043f\u043e\u0442\u043e\u043c \u0438\u0445 \u043c\u043e\u0436\u043d\u043e \u0431\u044b\u043b\u043e \u043b\u0435\u0433\u043a\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c      with open(MODEL_PATH, 'wb') as f:         pickle.dump(clf, f)      with open(VECTORIZER_PATH, 'wb') as f:         pickle.dump(vectorizer, f)   if __name__ == \"__main__\":     train_model()<\/code><\/pre>\n<p>\u0413\u043e\u0442\u043e\u0432\u043e, \u0441\u043f\u0430\u0441\u0438\u0431\u043e \u0438\u043d\u0436\u0435\u043d\u0435\u0440\u0430\u043c, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0434\u0435\u043b\u0430\u044e\u0442 \u044d\u0442\u0438 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0438 !!!!<\/p>\n<h2>6. \u041a\u0430\u043a \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c?<\/h2>\n<p>\u041f\u0438\u0448\u0435\u043c \u0441\u043a\u0440\u0438\u043f\u0442, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u0431\u0443\u0434\u0435\u0442 \u043f\u0440\u0438\u043d\u0438\u043c\u0430\u0442\u044c \u0432\u0445\u043e\u0434\u044f\u0449\u0435\u0435 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0435 \u0438 \u0432\u044b\u0434\u0430\u0432\u0430\u0442\u044c \u043e\u0442\u0432\u0435\u0442. \u041e\u0431\u0440\u0430\u0449\u0430\u044e \u0432\u043d\u0438\u043c\u0430\u043d\u0438\u0435, \u0432\u0445\u043e\u0434\u044f\u0449\u0438\u0439 \u0437\u0430\u043f\u0440\u043e\u0441 \u0434\u043e\u043b\u0436\u0435\u043d \u0431\u044b\u0442\u044c \u043f\u043e\u0447\u0438\u0449\u0435\u043d \u0442\u043e\u0439 \u0436\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u0435\u0439 \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u043c\u044b \u0433\u043e\u0442\u043e\u0432\u0438\u043b\u0438 \u0438\u0441\u0445\u043e\u0434\u043d\u0438\u043a\u0438!<\/p>\n<p>\u041e\u0442\u0432\u0435\u0442 \u0431\u0443\u0434\u0435\u0442 \u043f\u0438\u0441\u0430\u0442\u044c \u0432\u043e \u0432\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u0439 \u0444\u0430\u0439\u043b.<\/p>\n<p>\u041a\u043e\u0434 \u043d\u0438\u0436\u0435 \u0440\u0430\u0441\u0441\u0447\u0438\u0442\u0430\u043d \u043d\u0430 \u043e\u0431\u043c\u0435\u043d \u0441 1\u0421, \u0430 \u0438\u043c\u0435\u043d\u043d\u043e, \u0434\u043e\u043f\u043e\u043b\u043d\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u043f\u0440\u0438\u043d\u0438\u043c\u0430\u0435\u0442 \u0438\u043c\u044f \u0444\u0430\u0439\u043b\u0430 \u0447\u0435\u0440\u0435\u0437 \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u0431\u0443\u0434\u0435\u0442 \u043f\u0440\u043e\u0438\u0441\u0445\u043e\u0434\u0438\u0442\u044c \u043e\u0431\u043c\u0435\u043d.<\/p>\n<pre><code class=\"python\"># -*- coding: utf-8 -*-  import logging import pickle import sys  MAIN_DIR        = r\"\\\\app1\\1C\\work\\\u0412\u043b\u043e\u0436\u0435\u043d\u0438\u044f\\Python_projects\\ClassifierOfUserRequests\" LOG_PATH        = r\"\\\\app1\\1C\\work\\\u0412\u043b\u043e\u0436\u0435\u043d\u0438\u044f\\Python_projects\\ClassifierOfUserRequests\\log.txt\" VECTORIZER_PATH = r\"\\\\app1\\1C\\work\\\u0412\u043b\u043e\u0436\u0435\u043d\u0438\u044f\\Python_projects\\ClassifierOfUserRequests\\vectorizer.pickle\" MODEL_PATH      = r\"\\\\app1\\1C\\work\\\u0412\u043b\u043e\u0436\u0435\u043d\u0438\u044f\\Python_projects\\ClassifierOfUserRequests\\model.pickle\"  # \u041b\u043e\u0433\u0435\u0440 \u043f\u0440\u043e\u043f\u0443\u0441\u043a\u0430\u0435\u043c, \u043d\u0438\u0447\u0435\u0433\u043e \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u043e\u0433\u043e! def create_logger(name, log_level=logging.DEBUG, stdout=False, file=None):     '''     \u0421\u043e\u0437\u0434\u0430\u0435\u0442 \u043b\u043e\u0433\u0435\u0440\u0430, \u0435\u0441\u0442\u044c \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u044c \u0441\u043e\u0437\u0434\u0430\u0442\u044c \u043b\u043e\u0433\u0435\u0440\u0430 \u0441 \u0432\u044b\u0432\u043e\u0434\u043e\u043c \u0432 stdout \u0438\u043b\u0438 \u0432 \u0444\u0430\u0439\u043b \u0438\u043b\u0438 \u0442\u0443\u0434\u0430 \u0438 \u0442\u0443\u0434\u0430.     '''      logger = logging.getLogger(name)     logger.setLevel(log_level)     formatter = logging.Formatter(fmt='[%(asctime)s] - %(name)s - %(levelname).1s - %(message)s',                                   datefmt='%Y.%m.%d %H:%M:%S')      if file is not None:         fh = logging.FileHandler(file, encoding='utf-8-sig')         fh.setLevel(log_level)         fh.setFormatter(formatter)         logger.addHandler(fh)      if stdout:         ch = logging.StreamHandler()         ch.setLevel(log_level)         ch.setFormatter(formatter)         logger.addHandler(ch)      return logger   def main():      # \u041f\u0440\u0438\u043d\u0438\u043c\u0430\u0435\u043c \u043f\u043e\u0447\u0438\u0449\u0435\u043d\u043e\u0435 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0435 \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u044f (\u0442\u0435\u043a\u0441)     user_request = sys.argv[1].lower()      # \u0418\u043c\u044f \u0444\u0430\u0439\u043b\u0430 \u043e\u0431\u043c\u0435\u043d\u0430 \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u0441\u043e\u0437\u0434\u0430\u0435\u0442 1\u0421 \u0438 \u0432 \u043f\u043e\u0441\u043b\u0435\u0434\u0441\u0442\u0432\u0438\u0438 \u0443\u0434\u0430\u043b\u0438\u0442     pred_path = sys.argv[2]     logger.info(user_request)      # \u0412\u043e\u0441\u0442\u0430\u043d\u0430\u0432\u043b\u0438\u0432\u0430\u0435\u043c \u043d\u0430\u0448 \u0432\u0435\u043a\u0442\u043e\u0440\u0438\u0437\u0430\u0442\u043e\u0440     with open(VECTORIZER_PATH, 'rb') as f:         vectorizer = pickle.load(f)      # \u0412\u043e\u0441\u0442\u0430\u043d\u0430\u0432\u043b\u0438\u0432\u0430\u0435\u043c \u043d\u0430\u0448\u0443 \u043c\u043e\u0434\u0435\u043b\u044c         with open(MODEL_PATH, 'rb') as f:         model = pickle.load(f)      # \u041f\u0440\u0438\u0432\u043e\u0434\u0438\u043c \u043e\u0431\u0440\u0430\u0448\u0435\u043d\u0438\u0435 \u043a \u0432\u0435\u043a\u0442\u043e\u0440\u0443         transform_request = vectorizer.transform([user_request])      # \u041f\u0438\u0448\u0435\u043c \u043e\u0442\u0432\u0435\u0442 \u0432 \u0444\u0430\u0439\u043b \u043e\u0431\u043c\u0435\u043d\u0430     with open(MAIN_DIR + '\\\\' + pred_path, 'w') as f:         prediction = str(model.predict(transform_request)[0])         f.write(prediction)      logger.info(prediction)   if __name__ == '__main__':     try:         logger = create_logger(\"log\", file=LOG_PATH)         main()     except Exception as e:         logger.error(e)<\/code><\/pre>\n<p>\u041d\u0430 \u0441\u0442\u043e\u0440\u043e\u043d\u0435 1\u0421<\/p>\n<pre><code class=\"1c\">\u0424\u0443\u043d\u043a\u0446\u0438\u044f<\/code><\/pre>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[],"tags":[],"class_list":["post-391427","post","type-post","status-publish","format-standard","hentry"],"_links":{"self":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/391427","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=391427"}],"version-history":[{"count":0,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/391427\/revisions"}],"wp:attachment":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=391427"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=391427"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=391427"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}