Upload ModelReg_Final_Projet_app.py

ModelReg_Final_Projet_app.py

@@ -0,0 +1,155 @@
+# -*- coding: utf-8 -*-
+"""Copie de Untitled4.ipynb
+
+Automatically generated by Colab.
+
+Original file is located at
+    https://colab.research.google.com/drive/1S1GQ3V9KA8SZTVhyRe-esQ-y16vp_D7j
+"""
+
+#Importer les packages
+import numpy as np
+import gradio as gr
+import pandas as pd
+
+data = pd.read_csv('Telephone_data___.csv')
+df = pd.read_csv('data_clean.csv')
+
+# Encoder les variables catégorielles
+from sklearn.preprocessing import LabelEncoder
+# Créer différents encodeurs pour les variables catégorielles
+encoder0 = LabelEncoder()
+encoder1 = LabelEncoder()
+encoder2 = LabelEncoder()
+encoders = [encoder0, encoder1, encoder2]
+columns = [col for col in data.columns if data[col].dtype == 'object']
+for i in range(len(columns)):
+  encoders[i].fit(data[columns[i]]) # le modèle prend le temps de reconnaitre les classes
+# Fractionner les données
+x= df.drop('etat', axis = 1).values # variables prédicteurs
+y = df['etat'].values # variable cible
+
+# importer StandardScaler
+from sklearn.preprocessing import StandardScaler, MinMaxScaler, normalize
+# Instancier StandardScaler
+scaler = StandardScaler()
+scaler.fit(x) # calcul de la moyenne et de l'écart type
+x = scaler.transform(x) # normalisation
+
+
+from sklearn.model_selection import train_test_split
+# Splitter les données en train, val et test
+x_train, x_vt,y_train,y_vt = train_test_split(x,y , test_size = 0.2, random_state = 42)
+# Splitter les données en val et test
+x_val, x_test, y_val, y_test = train_test_split(x_vt, y_vt, test_size = 0.5, random_state = 42)
+
+
+from sklearn.ensemble import GradientBoostingClassifier
+# Entrainer Gradient Boosting en utilisant les paramètres optimaux 'max_depth': 4, 'n_estimators': 80
+gb = GradientBoostingClassifier(max_depth = 5, n_estimators = 60)
+# Entrainement
+gb.fit(x_train, y_train)
+
+
+# Importer gradio
+import gradio as gr
+import numpy as np
+
+# Fonction de prédiction avec vérifications
+def Pred_func(prix, adresse, marque, dim_ecr, ram, stockage):
+    try:
+        # Encoder les valeurs des variables adresse et marque
+        Adresse = encoder0.transform([adresse])[0]  # Transformer et récupérer la première valeur
+        Marque = encoder1.transform([marque])[0]
+
+        # Affichage pour vérifier les encodages
+        print(f"Encodage Adresse: {Adresse}, Marque: {Marque}")
+
+        # Vecteur des valeurs numériques avec les variables encodées
+        x_new = np.array([prix, Adresse, Marque, dim_ecr, ram, stockage])
+        x_new = x_new.reshape(1, -1)  # Convertir en un tableau 2D
+
+        # Vérifier la forme des données d'entrée
+        print(f"Forme des données d'entrée: {x_new.shape}")
+
+        # Normaliser les données
+        x_new = scaler.transform(x_new)
+
+        # Prédire la variable cible 'etat' avec le modèle gb
+        y_pred = gb.predict(x_new)
+
+        # Vérifier la forme et la valeur de la prédiction
+        print(f"Prédiction encodée: {y_pred}")
+
+        # Décoder la valeur prédite pour 'etat'
+        y_pred_decoded = encoder2.inverse_transform([y_pred[0]])[0]  # Décoder la valeur encodée
+
+        # Afficher la valeur décodée
+        print(f"Prédiction décodée: {y_pred_decoded}")
+
+        return str(y_pred_decoded)
+
+    except Exception as e:
+        # Afficher l'erreur pour diagnostiquer le problème
+        print(f"Erreur rencontrée: {str(e)}")
+        return f"Erreur lors de la prédiction: {str(e)}"
+
+
+        # Fonction de prédiction multiple
+def Pred_func_csv(file):
+  # Lire le fichier csv
+  df = pd.read_csv(file)
+  # prédictions
+  predictions = []
+  # Boucle sur les lignes du dataframe
+  for row in df.iloc[:, :].values:
+    # nouvelle ligne avec les valeurs des Fuel_Type, Seller_Type et Transmission encodées
+    new_row = np.array([row[0], row[1], encoder0.transform([row[2]])[0], encoder1.transform([row[3]])[0]])
+    new_row = new_row.reshape(1,-1) # convertir en un 2D array
+    # Normaliser les données
+    new_row = scaler.transform(new_row)
+    # Prédire
+    y_pred = rf.predict(new_row)
+     # Décoder la valeur prédite pour 'etat'
+    y_pred_decoded = encoder2.inverse_transform([y_pred[0]])[0]  # Décoder la valeur encodée
+    predictions.append(y_pred_decoded) # Ajouter la prédiction à la liste
+  df['etat'] = predictions
+  df.to_csv('predictions.csv', index = False)
+  return 'predictions.csv'
+
+  # définir les blocks afin de pouvoir ajouter plusieurs interfaces
+demo = gr.Blocks(theme = gr.themes.Glass())
+
+# autres themes
+#gr.themes.Base() gr.themes.Default() gr.themes.Glass() gr.themes.Monochrome() gr.themes.Soft()
+
+
+# Interface Gradio pour interagir avec la fonction
+interface1 = gr.Interface(
+    fn=Pred_func,  # Fonction à appeler
+    inputs=[
+        gr.Number(label="prix"),
+        gr.Dropdown(choices= list(np.unique(data.adresse)), label='Adresse'), # on utilise list pour bcp de valeur
+        gr.Dropdown(choices= list(np.unique(data.marque)), label='Marque'), # on utilise list pour bcp de valeur
+        gr.Number(label="Dimension de l'écran"),
+        gr.Number(label="RAM (Go)"),
+        gr.Number(label="Stockage (Go)")
+    ],
+    outputs="text",  # Sortie sous forme de texte
+    title="Prédiction de l'état d'un Téléphone portable",  # Titre de l'interface
+)
+# Créer l'interface 2 permettant de faire une prédiction multiple en partant d'un fichier csv
+interface2 = gr.Interface(fn = Pred_func_csv,
+                         inputs = gr.File(label='Upload a csv file'),
+                          outputs = gr.File(label='Download a csv file'),
+                         title="Predict the selling price of a car with a multiple inputs",
+                         description = """This machine learning model allows us to predict the selling price of a car
+                         from the kms driven, present price, fuel type, seller type, transmission and age of the car.
+                         """)
+
+# faire un tabbing (regrouper en onglet) des interfaces
+with demo:
+  gr.TabbedInterface([interface1, interface2], ['Simple Prediction', 'Prédiction multiple'])
+
+# lancer l'interface
+demo.launch()