Полноценная система для предсказания победителей в CS2 матчах (Faceat) с REST API и веб-интерфейсом.
Проект предсказывает вероятность победы команды на основе:
- Среднего K/D ratio команд
- Среднего Elo рейтинга
- Среднего процента побед
- REST API на FastAPI
- Веб-интерфейс на Streamlit
- Логистическая регрессия для предсказания побед
Датасет был взят со следующего источника:
Counter Strike 2 Win Prediction (FACEIT)
Обрабатывал данные через библиотеку pandas.
Что было сделано:
- Замена запятой на точку в некоторых числовых колонках (т.к pandas ожидает в float числах точку)
- Убрал объекты, в которых значение в колонке map не подходило для рейтинговых faceat игр (например: aim_map, awp_india, dorf...)
- Использовал standard scaler для нормализации данных
Тестировал как линейные модели, так и ансамбли. Но в итоге выбрал логистическую регрессию за хорошие результаты и интерпретируемость.
Главной метрикой стала precision, т.к нам нужно быть уверенным в победе первой команды, а не "найти" все победы первой команды как с recall.
В итоге ML модель достигает:
- Precision: 0.91
- Recall: 0.43
- F1-Score: 0.58
- Accuracy: 0.71
Cs2_predict/
├── api/ # FastAPI микросервис
│ ├── data.py # класс данных для FastAPI приложения
│ └── service.py # FastAPI приложение
├── app/ # Streamlit фронтенд
│ └── app.py # Основное приложение
├── configs/
| └── model_v1.yaml # Конфигурационный файл с параметрами модели и путем до нее
├── images/
├── ml_core/ # Ядро ML
│ ├── constants/ # Константные значения
│ │ └── constants.py
│ ├── src/ # Модули для озагрузки датасета и обучения модели
│ │ ├── dataset/
│ │ │ └── make_dataset.py # Загрузка датасета из файла и преобразование данных из него
│ │ ├── model/
│ │ │ ├── evaluate.py # Проверка качества модели
│ │ │ ├── loader.py # Модуль для загрузки модели и скейлера
│ │ │ ├── predict.py # Модуль для предсказаний модели
│ │ │ └── train_model.py # Модуль обучения модели
│ │ └── utils/
│ │ ├── exceptions.py # Исключения для отладки кода
│ │ └── time.py # Модуль работы с временем
│ └── tests/ # Тесты
│ └── unit_tests/
│ ├── test_dataset.py
| ├── test_params_loader.py
│ └── test_loader.py
├── notebooks/ # Код в jupiter notebook (файл с EDA и файл с обучением модели)
│ ├── 1.EDA.ipynb
│ ├── 2.ML.ipynb
│ └── Neural Network testing.ipynb
├── scaler/ # .pkl файлы со скейлерами (StandardScaler)
├── trained_models/ # .pkl файлы с обученной моделью
├── train.py # Обучение модели
├── Dockerfile # Файл для докер образа
├── pytest.ini
└── README.md
# API сервер uvicorn api.service:app --reload --port 8000 # Frontend streamlit run app/app.py
Запуск Api сервера через docker:
# Создание докер образа docker build -t cs2-ml-api . # Запуск контейнера docker run -p 8000:8000 cs2-ml-api
Streamlit приложение доступно по адресу: http://localhost:8501