Spaces:
Build error
Build error
| import gradio as gr | |
| import numpy as np | |
| import pickle | |
| import pandas as pd | |
| from sklearn.preprocessing import LabelEncoder, StandardScaler | |
| from sklearn.linear_model import Ridge | |
| # Charger le modèle Ridge sauvegardé | |
| with open('ridge_model.pkl', 'rb') as file: | |
| ridge_model = pickle.load(file) | |
| # Charger le scaler sauvegardé | |
| with open('scaler.pkl', 'rb') as file: | |
| scaler = pickle.load(file) | |
| # Initialisation des encodeurs pour les variables catégorielles | |
| label_encoder_fuel = LabelEncoder() | |
| label_encoder_seller = LabelEncoder() | |
| label_encoder_trans = LabelEncoder() | |
| # Fonction pour effectuer une prédiction manuelle | |
| def predict(Kms_Driven, Present_Price, Fuel_Type, Seller_Type, Transmission, Age): | |
| try: | |
| # Encoder les variables catégorielles | |
| Fuel_Type_encoded = label_encoder_fuel.fit_transform([Fuel_Type])[0] | |
| Seller_Type_encoded = label_encoder_seller.fit_transform([Seller_Type])[0] | |
| Transmission_encoded = label_encoder_trans.fit_transform([Transmission])[0] | |
| # Préparer les caractéristiques d'entrée | |
| input_features = np.array([ | |
| Kms_Driven, | |
| Present_Price, | |
| Fuel_Type_encoded, | |
| Seller_Type_encoded, | |
| Transmission_encoded, | |
| Age | |
| ]).reshape(1, -1) | |
| # Normaliser les données | |
| input_features_scaled = scaler.transform(input_features) | |
| # Faire une prédiction | |
| prediction = ridge_model.predict(input_features_scaled) | |
| return prediction[0] | |
| except Exception as e: | |
| return f"Erreur : {str(e)}" | |
| # Fonction pour prédire à partir d'un fichier CSV | |
| def predict_from_file(file): | |
| try: | |
| # Charger les données du fichier CSV | |
| df = pd.read_csv(file.name) | |
| # Vérifier si les colonnes nécessaires existent dans le fichier | |
| required_columns = ['Kms_Driven', 'Present_Price', 'Fuel_Type', 'Seller_Type', 'Transmission', 'Age'] | |
| if not all(col in df.columns for col in required_columns): | |
| return "Erreur : Le fichier CSV doit contenir les colonnes suivantes : Kms_Driven, Present_Price, Fuel_Type, Seller_Type, Transmission, Age" | |
| # Encoder les variables catégorielles | |
| df['Fuel_Type'] = label_encoder_fuel.fit_transform(df['Fuel_Type']) | |
| df['Seller_Type'] = label_encoder_seller.fit_transform(df['Seller_Type']) | |
| df['Transmission'] = label_encoder_trans.fit_transform(df['Transmission']) | |
| # Extraire les caractéristiques pour la prédiction | |
| features = df[['Kms_Driven', 'Present_Price', 'Fuel_Type', 'Seller_Type', 'Transmission', 'Age']].values | |
| features_scaled = scaler.transform(features) | |
| # Faire les prédictions | |
| predictions = ridge_model.predict(features_scaled) | |
| # Ajouter les prédictions au dataframe et retourner | |
| df['Prediction'] = predictions | |
| return df | |
| except Exception as e: | |
| return f"Erreur : {str(e)}" | |
| # Créer l'interface avec Gradio en utilisant gr.Blocks et demo.launch() | |
| with gr.Blocks() as demo: | |
| with gr.Tab("Prédiction Manuelle"): | |
| # Définir les entrées pour la prédiction manuelle | |
| inputs_manual = [ | |
| gr.Number(label="Kms Driven"), | |
| gr.Number(label="Present Price"), | |
| gr.Dropdown(["Petrol", "Diesel"], label="Fuel Type"), | |
| gr.Dropdown(["Individual", "Dealer"], label="Seller Type"), | |
| gr.Dropdown(["Manual", "Automatic"], label="Transmission"), | |
| gr.Number(label="Age") | |
| ] | |
| # Définir la sortie pour la prédiction manuelle | |
| outputs_manual = gr.Textbox(label="Prédiction") | |
| # Ajouter la fonction de prédiction manuelle dans le tab | |
| gr.Button("Faire une Prédiction", elem_id="manual_predict_button").click( | |
| fn=predict, | |
| inputs=inputs_manual, | |
| outputs=outputs_manual | |
| ) | |
| with gr.Tab("Prédiction à partir d'un fichier CSV"): | |
| # Définir l'entrée pour la prédiction à partir de fichier CSV | |
| inputs_file = gr.File(label="Télécharger un fichier CSV") | |
| # Définir la sortie pour le fichier CSV | |
| outputs_file = gr.Dataframe(label="Prédictions depuis le fichier") | |
| # Ajouter la fonction de prédiction à partir du fichier | |
| gr.Button("Prédire à partir du fichier").click( | |
| fn=predict_from_file, | |
| inputs=inputs_file, | |
| outputs=outputs_file | |
| ) | |
| # Lancer l'application | |
| demo.launch(debug=True) | |