Klasyfikacja jakości wina — porównanie modeli

Krótki opis

• Zbiór: Wine Quality (data/WineQT.csv) — klasyfikacja wieloklasowa etykiety quality (oceny 3–8, niezbalansowane klasy).
• Modele: DecisionTree, kNN, RandomForest — po 3 warianty hiperparametrów (łącznie 9 klasyfikatorów).
• Zespół predykcyjny: VotingClassifier z majority voting (voting="hard") nad tymi samymi 9 pipeline’ami.
• Walidacja: stratyfikowana 5-fold CV (StratifiedKFold(shuffle=True, random_state=42)).
• Metryki: accuracy (odsetek poprawnych predykcji) oraz balanced_accuracy (średnia czułość po klasach — ważna przy niezbalansowanym rozkładzie ocen wina).
• Stack: scikit-learn, Pandas (groupby, to_latex), Plotly (wykresy), Streamlit (opis przebiegu badania, definicje pojęć, zgodność z wymaganiami, podgląd .tex).

Zabezpieczenie przed przeciekiem danych (data leakage)

Wszystkie operacje skalowania wykonywane są wewnątrz obiektu Pipeline (scikit-learn):

Pipeline([
    ("preprocess", ColumnTransformer([("num", MinMaxScaler(), feature_cols)])),
    ("clf", klasyfikator),
])

Dzięki temu MinMaxScaler jest fitowany wyłącznie na folddzie treningowej — nigdy nie „widzi" danych testowych przed oceną. Przekazanie gotowego Pipeline do cross_validate gwarantuje to automatycznie dla każdego z 5 podziałów. Szczegóły: scikit-learn — Common pitfalls.

Brak brakujących danych

Funkcja wczytaj_pelna_ramke w src/experiment.py wywołuje df.isna().any().any() i podnosi wyjątek, jeśli znajdzie brakujące wartości — eksperyment nie uruchomi się na niekompletnym zbiorze.

Wymagania

• Python 3.10+ (zalecane)
• Instalacja: pip install -r requirements.txt

Eksperyment (zapis do results/)

Uruchamia walidację, zapisuje m.in. CSV, .tex, wersje_bibliotek.txt oraz wykresy HTML w results/wykresy/.

python run_experiment.py

Streamlit i skrypty startowe

Skrypty start.sh (Linux/macOS) oraz start.bat (Windows) wykonują po kolei:

1. venv + pip install -r requirements.txt
2. python run_experiment.py
3. streamlit run streamlit_app.py → zwykle http://localhost:8501

chmod +x start.sh
./start.sh

start.bat

Zakładki aplikacji

Zakładka	Treść
Opis projektu	Cel badania, przebieg eksperymentu (co → po co → efekt), słownik pojęć, zgodność z wymaganiami, podgląd plików LaTeX
Wymogi i metodologia	Tabela: wymaganie → realizacja w kodzie / plikach
Zbiór danych (EDA)	Rozkład klasy quality, macierz korelacji, podgląd danych
Wyniki klasyfikacji	Wykresy metryk z CV, tabele, podgląd i pobieranie wyników

Odtwarzalność wyników (reproducibility)

Zgodnie z wymaganiem scikit-learn — Getting reproducible results:

• Jeden stały seed: RANDOM_STATE = 42 w src/config.py; przekazany do każdego klasyfikatora (random_state) oraz do StratifiedKFold(shuffle=True, random_state=RANDOM_STATE).
• StratifiedKFold z shuffle=True wymaga seeda — bez niego kolejność próbek po tasowaniu byłaby inna przy każdym uruchomieniu.
• Ten sam obiekt cv przekazywany jest do każdego wywołania cross_validate, co gwarantuje identyczne podziały dla wszystkich modeli.
• Plik results/wersje_bibliotek.txt zapisuje wersje scikit-learn, numpy i pandas przy generowaniu wyników — umożliwia odtworzenie środowiska.

Struktura repozytorium

Ścieżka	Opis
data/WineQT.csv	Dane źródłowe
src/config.py	Ścieżki, seed
src/experiment.py	Pipeline, CV, zespół, eksport CSV/LaTeX, wywołanie wykresów
src/wykresy.py	Wykresy Plotly + zapis HTML
run_experiment.py	Wejście z linii poleceń
streamlit_app.py	Aplikacja WWW
start.sh / start.bat	Eksperyment + Streamlit
results/	Wyniki wygenerowane (CSV, TeX, wykresy/*.html, wersje_bibliotek.txt)

.gitignore

Ignorowane są m.in. .venv/, cache Pythona, pliki IDE. Wygenerowane pliki w results/ można opcjonalnie dodać do ignorowania — w .gitignore jest gotowy, zakomentowany blok instrukcji.

Licencja

Zobacz plik LICENSE.