Update src/module/Forecasting.py

src/module/Forecasting.py

@@ -163,10 +163,10 @@ class HospitalForecaster:
         Returns:
             Dictionnaire des métriques
         """
-        progress_bar = st.progress(0, text="🔄 Entraînement en cours...")
+        progress_bar = st.progress(0, text=" Entraînement en cours...")
         
         # ===== 1. LightGBM =====
-        progress_bar.progress(0.1, text="⚡ LightGBM...")
+        progress_bar.progress(0.1, text=" LightGBM...")
         lgb_model = lgb.LGBMRegressor(
             n_estimators=500,
             learning_rate=0.05,
@@ -190,7 +190,7 @@ class HospitalForecaster:
         self._evaluate_model('LightGBM', lgb_model)
         
         # ===== 2. XGBoost =====
-        progress_bar.progress(0.4, text="🚀 XGBoost...")
+        progress_bar.progress(0.4, text=" XGBoost...")
         xgb_model = xgb.XGBRegressor(
             n_estimators=500,
             learning_rate=0.05,
@@ -214,7 +214,7 @@ class HospitalForecaster:
         self._evaluate_model('XGBoost', xgb_model)
         
         # ===== 3. Random Forest =====
-        progress_bar.progress(0.7, text="🌲 Random Forest...")
+        progress_bar.progress(0.7, text=" Random Forest...")
         rf_model = RandomForestRegressor(
             n_estimators=300,
             max_depth=15,
@@ -485,7 +485,7 @@ def show_forecasting_module(client, sheet_name):
     if 'ml_features' not in st.session_state:
         st.error("❌ **Données ML absentes.** Veuillez d'abord exécuter le module **Feature Engineering**.")
         
-        if st.button("🔄 Aller au Feature Engineering"):
+        if st.button(" Aller au Feature Engineering"):
             st.switch_page("pages/03_Features.py")
         return
     
@@ -496,7 +496,7 @@ def show_forecasting_module(client, sheet_name):
     # ===== CONFIGURATION =====
     st.divider()
     
-    with st.expander("⚙️ Configuration de l'Entraînement", expanded=False):
+    with st.expander(" Configuration de l'Entraînement", expanded=False):
         col1, col2, col3 = st.columns(3)
         
         with col1:
@@ -534,7 +534,7 @@ def show_forecasting_module(client, sheet_name):
         
         try:
             # Préparation des données
-            with st.spinner("📊 Préparation des données (Train/Val/Test)..."):
+            with st.spinner(" Préparation des données (Train/Val/Test)..."):
                 split_info = forecaster.prepare_data(
                     target_col=target,
                     val_days=val_days,
@@ -542,7 +542,7 @@ def show_forecasting_module(client, sheet_name):
                 )
             
             # Affichage des plages de dates
-            st.markdown("### 📅 Plages de Dates des Sets")
+            st.markdown("### Plages de Dates des Sets")
             
             col1, col2, col3 = st.columns(3)
             
@@ -583,7 +583,7 @@ def show_forecasting_module(client, sheet_name):
         except Exception as e:
             st.error(f"❌ **Erreur lors de l'entraînement :** {str(e)}")
             import traceback
-            with st.expander("🔍 Détails de l'erreur"):
+            with st.expander(" Détails de l'erreur"):
                 st.code(traceback.format_exc())
             return
     
@@ -595,16 +595,16 @@ def show_forecasting_module(client, sheet_name):
     
     # ===== ONGLETS PRINCIPAUX =====
     tab_future, tab_audit, tab_export = st.tabs([
-        "🔮 Prédictions Futures",
-        "⚖️ Audit & Comparaison",
-        "📥 Export & Données"
+        " Prédictions Futures",
+        " Audit & Comparaison",
+        " Export & Données"
     ])
     
     # ================================================================
     # ONGLET 1 : PRÉDICTIONS FUTURES
     # ================================================================
     with tab_future:
-        st.markdown("### 🚀 Projections Récursives avec Saisonnalité")
+        st.markdown("###  Projections Récursives avec Saisonnalité")
         
         col_h1, col_h2 = st.columns([3, 1])
         
@@ -622,7 +622,7 @@ def show_forecasting_module(client, sheet_name):
         months_map = {"1 Mois": 1, "3 Mois": 3, "6 Mois": 6, "12 Mois": 12}
         months = months_map[horizon_label]
         
-        with st.spinner("🔮 Calcul de la trajectoire récursive avec saisonnalité..."):
+        with st.spinner(" Calcul de la trajectoire récursive avec saisonnalité..."):
             f_dates, f_values, conf_intervals = forecaster.generate_future_forecast_recursive(months)
         
         # Graphique des prédictions futures
@@ -633,7 +633,7 @@ def show_forecasting_module(client, sheet_name):
         fig.add_trace(go.Scatter(
             x=hist['date'],
             y=hist[target],
-            name="📊 Historique Réel",
+            name=" Historique Réel",
             line=dict(color='gray', width=2),
             opacity=0.6
         ))
@@ -642,7 +642,7 @@ def show_forecasting_module(client, sheet_name):
         fig.add_trace(go.Scatter(
             x=f_dates,
             y=f_values,
-            name=f"🔮 Projection {best}",
+            name=f" Projection {best}",
             line=dict(color='#00E676', width=3),
             mode='lines+markers',
             marker=dict(size=5)
@@ -697,7 +697,7 @@ def show_forecasting_module(client, sheet_name):
         col2.metric("Maximum Prévu", f"{np.max(f_values):.1f}")
         col3.metric("Minimum Prévu", f"{np.min(f_values):.1f}")
         col4.metric("Tendance", 
-                   "↗️ Hausse" if f_values[-1] > f_values[0] else "↘️ Baisse",
+                   " Hausse" if f_values[-1] > f_values[0] else " Baisse",
                    f"{((f_values[-1] / f_values[0]) - 1) * 100:+.1f}%")
         
         # Détection d'anomalies futures
@@ -715,20 +715,20 @@ def show_forecasting_module(client, sheet_name):
         else:
             st.success("✅ Aucun pic anormal détecté dans la période")
         
-        st.caption(f"💡 Prédiction générée par **{best}** | Fiabilité : **{metrics[best]['R²']*100:.0f}%**")
+        st.caption(f" Prédiction générée par **{best}** | Fiabilité : **{metrics[best]['R²']*100:.0f}%**")
     
     # ================================================================
     # ONGLET 2 : AUDIT & COMPARAISON
     # ================================================================
     with tab_audit:
-        st.markdown("### 🏆 Le Champion de la Prédiction")
+        st.markdown("###  Le Champion de la Prédiction")
         
         # Annonce du vainqueur
         col_winner, col_reset = st.columns([4, 1])
         
         with col_winner:
             st.success(f"""
-            ### ✨ Gagnant : **{best}**
+            ###  Gagnant : **{best}**
             
             Sur les **{split_info['test']['n_samples']} derniers jours** de test, ce modèle a montré 
             la meilleure précision avec une erreur moyenne de seulement **{metrics[best]['MAE']:.2f}** unités par jour.
@@ -738,7 +738,7 @@ def show_forecasting_module(client, sheet_name):
             """)
         
         with col_reset:
-            if st.button("♻️ Réinitialiser", help="Relancer l'entraînement"):
+            if st.button(" Réinitialiser", help="Relancer l'entraînement"):
                 for key in ['forecaster', 'metrics', 'split_info', 'forecast_target']:
                     if key in st.session_state:
                         del st.session_state[key]
@@ -747,7 +747,7 @@ def show_forecasting_module(client, sheet_name):
         st.divider()
         
         # ===== TABLEAU COMPARATIF =====
-        st.markdown("### 📊 Tableau Comparatif Détaillé")
+        st.markdown("###  Tableau Comparatif Détaillé")
         
         comparison_data = []
         for model_name in ['XGBoost', 'LightGBM', 'Random Forest']:
@@ -769,7 +769,7 @@ def show_forecasting_module(client, sheet_name):
         )
         
         # Explications des métriques
-        with st.expander("📖 Comprendre les Métriques"):
+        with st.expander(" Comprendre les Métriques"):
             st.markdown("""
             **R² (Coefficient de Détermination) :**
             - Mesure de 0% à 100% : plus c'est proche de 100%, mieux c'est
@@ -797,7 +797,7 @@ def show_forecasting_module(client, sheet_name):
         st.divider()
         
         # ===== GRAPHIQUE COMPARATIF SUR TEST SET =====
-        st.markdown("### 👁️ Comparaison Visuelle sur le Test Set")
+        st.markdown("###  Comparaison Visuelle sur le Test Set")
         
         fig_comp = go.Figure()
         
@@ -805,7 +805,7 @@ def show_forecasting_module(client, sheet_name):
         fig_comp.add_trace(go.Scatter(
             x=forecaster.dates_test,
             y=forecaster.y_test,
-            name="🎯 RÉALITÉ",
+            name=" RÉALITÉ",
             line=dict(color='white', width=4, dash='dot'),
             mode='lines+markers',
             marker=dict(size=6)
@@ -845,22 +845,22 @@ def show_forecasting_module(client, sheet_name):
         
         st.plotly_chart(fig_comp, use_container_width=True)
         
-        st.caption("💡 **Plus une ligne colorée est proche de la ligne blanche, meilleur est le modèle**")
+        st.caption(" **Plus une ligne colorée est proche de la ligne blanche, meilleur est le modèle**")
         
         st.divider()
         
         # ===== SHAP : INTERPRÉTABILITÉ =====
-        st.markdown("### 🧠 Comprendre les Décisions de l'IA (SHAP)")
+        st.markdown("###  Comprendre les Décisions de l'IA (SHAP)")
         
         st.info("""
         **SHAP** (SHapley Additive exPlanations) révèle **quelles variables influencent le plus** 
         les prédictions du modèle. 
         
-        👉 Plus la barre est longue, plus cette feature est importante pour les décisions de l'IA.
+         Plus la barre est longue, plus cette feature est importante pour les décisions de l'IA.
         """)
         
         if SHAP_AVAILABLE:
-            with st.spinner("🔍 Calcul des valeurs SHAP (analyse d'importance)..."):
+            with st.spinner(" Calcul des valeurs SHAP (analyse d'importance)..."):
                 explainer, shap_values, X_sample = forecaster.compute_shap_values(n_samples=200)
             
             if shap_values is not None:
@@ -890,7 +890,7 @@ def show_forecasting_module(client, sheet_name):
                 plt.close()
                 
                 # Explications textuelles
-                st.markdown("#### 📌 Interprétation")
+                st.markdown("####  Interprétation")
                 
                 # Top 5 features
                 feature_importance = pd.DataFrame({
@@ -905,19 +905,19 @@ def show_forecasting_module(client, sheet_name):
                     
                     # Traduction en français
                     if 'lag' in feature:
-                        explanation = f"📅 Historique récent ({feature})"
+                        explanation = f" Historique récent ({feature})"
                     elif 'mean' in feature or 'rolling' in feature:
-                        explanation = f"📈 Tendance sur plusieurs jours ({feature})"
+                        explanation = f" Tendance sur plusieurs jours ({feature})"
                     elif 'taux' in feature:
-                        explanation = f"💹 Taux ou ratio ({feature})"
+                        explanation = f" Taux ou ratio ({feature})"
                     elif 'personnel' in feature:
-                        explanation = f"👥 Ressources humaines ({feature})"
+                        explanation = f" Ressources humaines ({feature})"
                     elif 'scenario' in feature or 'intensity' in feature:
-                        explanation = f"🚨 Scénario/événement ({feature})"
+                        explanation = f" Scénario/événement ({feature})"
                     elif 'mois' in feature or 'jour' in feature:
-                        explanation = f"📆 Facteur temporel ({feature})"
+                        explanation = f" Facteur temporel ({feature})"
                     else:
-                        explanation = f"🔧 {feature}"
+                        explanation = f" {feature}"
                     
                     st.write(f"- {explanation}")
             
@@ -937,7 +937,7 @@ def show_forecasting_module(client, sheet_name):
         
         with col1:
             # Export des métriques
-            st.markdown("#### 📊 Métriques des Modèles")
+            st.markdown("#### Métriques des Modèles")
             
             metrics_df = pd.DataFrame(metrics).T
             metrics_csv = metrics_df.to_csv(index=True).encode('utf-8')
@@ -953,7 +953,7 @@ def show_forecasting_module(client, sheet_name):
         
         with col2:
             # Export des prédictions sur test
-            st.markdown("#### 🎯 Prédictions Test Set")
+            st.markdown("####  Prédictions Test Set")
             
             predictions_df = pd.DataFrame({
                 'date': forecaster.dates_test,
@@ -975,7 +975,7 @@ def show_forecasting_module(client, sheet_name):
             st.dataframe(predictions_df.head(10), use_container_width=True)
         
         # Export des prédictions futures
-        st.markdown("#### 🔮 Prédictions Futures")
+        st.markdown("####  Prédictions Futures")
         
         if 'f_dates' in locals() and 'f_values' in locals():
             future_df = pd.DataFrame({