Nam model

Nam/Final_code 1.py

@@ -0,0 +1,45 @@
+
+import pandas as pd
+import pickle
+from tensorflow.keras.models import load_model
+from sklearn.metrics import accuracy_score, f1_score, precision_score, recall_score
+from url_preprocessing import preprocess_url_dataframe  # 너가 만든 전처리 모듈
+
+# 1. 원본 데이터 불러오기
+df = pd.read_csv("train.csv")  # 또는 적절한 파일명으로 수정
+print("원본 데이터 불러옴")
+
+# 2. 전처리 적용
+df_processed = preprocess_url_dataframe(df)
+print(" 전처리 완료")
+
+# 3. 피처/레이블 분리
+X = df_processed.drop(columns=['label', 'URL', 'URL_clean'], errors='ignore')  # 'label' 없으면 자동 무시
+y = df_processed['label'] if 'label' in df_processed.columns else None
+
+# 4. 스케일러 불러오기
+with open("scaler.pkl", "rb") as f:
+    scaler = pickle.load(f)
+X_scaled = scaler.transform(X)
+print(" 스케일링 완료")
+
+# 5. 모델 불러오기
+model = load_model("best_model.h5")
+print(" 모델 불러오기 완료")
+
+# 6. 예측
+y_pred_proba = model.predict(X_scaled).ravel()
+best_threshold = 0.34  # 여기에 저장된 값이 있다면 pickle로 불러올 수 있음
+
+y_pred = (y_pred_proba > best_threshold).astype(int)
+
+# 7. 결과 출력
+if y is not None:
+    print("예측 결과 (테스트셋 평가)")
+    print("Accuracy:", accuracy_score(y, y_pred))
+    print("F1 Score:", f1_score(y, y_pred))
+    print("Precision:", precision_score(y, y_pred))
+    print("Recall:", recall_score(y, y_pred))
+else:
+    print("예측 완료! 라벨이 없어 평가 생략")
+    print("예측 결과 샘플:", y_pred[:10])