Gradient_random.py

import joblib
import lightgbm as lgb
import numpy as np
import pandas as pd

def grad_random():
    # Загрузка сохраненной модели LightGBM
    lgb_model = lgb.Booster(model_file='lgb_model1.txt')

    # Загрузка сохраненного объекта MinMaxScaler
    scaler = joblib.load('scaler_lgb.save')

    # Предположим, что в data уже есть столбцы 'gender' и 'platform'
    data=pd.read_csv('dummy_data.csv')
    # Выбор случайного примера из data и масштабирование признаков
    random_index = np.random.randint(0, len(data))

    data=pd.read_csv('dummy_data.csv')
    data_new = data[['age', 'gender', 'time_spent', 'platform']]
    pd.set_option('display.max_columns', 50)
    # Предобработка данных, например, кодирование категориальных переменных
    data_processed = pd.get_dummies(data_new, columns=['gender', 'platform'])

    data_processed_new = data_processed[['age', 'gender_female','time_spent', 'gender_male','gender_non-binary','platform_Facebook', 'platform_Instagram', 'platform_YouTube']]

    random_data_processed = data_processed_new.iloc[random_index]
    X_random = random_data_processed.drop('time_spent').to_frame().T
    X_random_scaled = scaler.transform(X_random)

    # Прогнозирование на случайном примере с помощью загруженной модели
    y_random_pred = lgb_model.predict(X_random_scaled, verbose=0)
    return random_data_processed.to_dict(), y_random_pred[0]