Update pages/metrics.py

pages/metrics.py

@@ -32,7 +32,7 @@ st.title("Метрики модели")
 # Построение гистограммы цен
 plt.figure(figsize=(10, 6))
 plt.hist(y_test_trimmed_loaded, bins=50, color='red', alpha=0.7, label='Цены на тестовой выборке')
-plt.title('Распределение цен на автомобили')
+plt.title('Распределение цен на автомобили после исключения выбросов после правого перцентиля 0.95')
 plt.xlabel('Цена')
 plt.ylabel('Количество автомобилей')
 plt.legend()
@@ -41,15 +41,20 @@ st.pyplot()
 # Предсказание на тестовых данных
 y_pred_final = final_model.predict(X_test_trimmed_loaded)
 
-# Вычисляем MAE, RMSE и R^2
+def mean_absolute_percentage_error(y_true, y_pred):
+    return 100 * np.mean(np.abs((y_true - y_pred) / y_true))
+    
+# Вычисляем MAE, RMSE и R^2 и MAPE
 mae_final = mean_absolute_error(y_test_trimmed_loaded, y_pred_final)
 rmse_final = mean_squared_error(y_test_trimmed_loaded, y_pred_final, squared=False)  # RMSE
 r2_final = r2_score(y_test_trimmed_loaded, y_pred_final)
+mape_final = mean_absolute_percentage_error(y_test_trimmed_loaded, y_pred_final)  # Добавляем MAPE
 
 # Вывод метрик
 st.write(f"Final Mean Absolute Error (MAE): {mae_final}")
 st.write(f"Final Root Mean Squared Error (RMSE): {rmse_final}")
 st.write(f"Final R^2 Score: {r2_final}")
+st.write(f"Final Mean Absolute Percentage Error (MAPE): {mape_final:.2f}%")
 
 # Возвращение на первую страницу
 st.markdown("---")