Update src/module/Forecasting.py

src/module/Forecasting.py

@@ -139,12 +139,12 @@ class HospitalForecaster:
         return future_dates, y_future
 
 # ============================================================================
-# INTERFACE STREAMLIT
+# INTERFACE STREAMLIT (UPDATE : NON-TECH FRIENDLY)
 # ============================================================================
 
 def show_forecasting_module(client, sheet_name):
     st.markdown("## 🔮 ORACLE : FORECASTING & AUDIT")
-    st.caption("Comparaison de modèles (RF, XGB, LGBM) et projection temporelle.")
+    st.caption("Intelligence Artificielle de prédiction des flux hospitaliers.")
 
     if 'ml_features' not in st.session_state:
         st.error("❌ Données ML absentes. Allez dans 'Features Eng.' d'abord.")
@@ -152,16 +152,16 @@ def show_forecasting_module(client, sheet_name):
     
     df = st.session_state['ml_features']
 
-    # --- 1. CONFIGURATION ---
-    with st.expander("⚙️ Configuration de l'Entraînement", expanded=False):
+    # --- 1. CONFIGURATION RAPIDE ---
+    with st.expander("⚙️ Paramètres", expanded=False):
         col1, col2 = st.columns(2)
         target = col1.selectbox("Cible à Prédire", ['nb_admissions', 'taux_occupation'], index=0)
-        test_days = col2.slider("Jours de Test (Audit)", 30, 90, 60)
+        test_days = col2.slider("Période de Test (Jours)", 30, 90, 60)
 
     # --- 2. ENTRAÎNEMENT (AUTO) ---
     if 'forecaster' not in st.session_state:
         forecaster = HospitalForecaster(df)
-        with st.spinner("🧠 Entraînement et Comparaison des 3 Champions..."):
+        with st.spinner("🧠 Le système compare 3 intelligences (XGBoost, LightGBM, RF)..."):
             forecaster.prepare_data(target_col=target, test_days=test_days)
             metrics = forecaster.train_models()
             st.session_state['forecaster'] = forecaster
@@ -171,96 +171,106 @@ def show_forecasting_module(client, sheet_name):
     forecaster = st.session_state['forecaster']
     metrics = st.session_state['metrics']
     best = forecaster.best_model_name
+    best_mae = metrics[best]['MAE']
 
-    # --- 3. AFFICHAGE PAR ONGLETS (Architecture Pro) ---
-    tab_future, tab_audit = st.tabs(["🔮 Prévision Future (Décision)", "🛠️ Audit Modèles (Data Science)"])
+    # --- 3. AFFICHAGE PAR ONGLETS ---
+    tab_future, tab_audit = st.tabs(["🔮 Le Futur (Décision)", "⚖️ Le Verdict (Preuve)"])
 
-    # === ONGLET 1 : LE FUTUR (Ce que veut le directeur) ===
+    # === ONGLET 1 : LE FUTUR ===
     with tab_future:
-        st.markdown(f"### 🚀 Projection : {target}")
+        st.markdown(f"### 🚀 Projections : {target}")
         
-        # Sélecteur d'horizon dynamique
-        horizon_label = st.radio("Horizon de Prévision", ["3 Mois", "6 Mois", "9 Mois", "12 Mois"], horizontal=True)
+        # Sélecteur d'horizon
+        horizon_label = st.radio("Voir dans...", ["3 Mois", "6 Mois", "9 Mois", "12 Mois"], horizontal=True)
         months_map = {"3 Mois": 3, "6 Mois": 6, "9 Mois": 9, "12 Mois": 12}
         
-        # Calcul (Cache Optimisé)
-        with st.spinner("Calcul de la trajectoire..."):
+        with st.spinner("Calcul de la trajectoire optimale..."):
             f_dates, f_values = forecaster.generate_future_forecast(months_map[horizon_label])
 
         # Graphique Futur
         fig = go.Figure()
-        # Historique récent
-        hist = df.iloc[-90:]
-        fig.add_trace(go.Scatter(x=hist['date'], y=hist[target], name="Historique", line=dict(color='gray'), opacity=0.5))
-        # Prédiction
-        fig.add_trace(go.Scatter(x=f_dates, y=f_values, name=f"Prévision ({best})", line=dict(color='#00E676', width=3)))
+        hist = df.iloc[-90:] # 3 derniers mois historiques
         
-        fig.update_layout(title=f"Horizon {horizon_label}", template="plotly_dark", height=450)
+        # Zone Historique
+        fig.add_trace(go.Scatter(x=hist['date'], y=hist[target], name="Passé Réel", line=dict(color='gray'), opacity=0.5))
+        
+        # Zone Futur
+        fig.add_trace(go.Scatter(x=f_dates, y=f_values, name="Projection IA", line=dict(color='#00E676', width=3)))
+        
+        # Ligne verticale "Aujourd'hui"
+        fig.add_vline(x=hist['date'].max(), line_width=1, line_dash="dash", line_color="white")
+        fig.add_annotation(x=hist['date'].max(), y=hist[target].mean(), text="Aujourd'hui", showarrow=True, arrowhead=1)
+
+        fig.update_layout(title=f"Horizon {horizon_label}", template="plotly_dark", height=450, hovermode="x unified")
         st.plotly_chart(fig, use_container_width=True)
         
-        st.info(f"🏆 Modèle utilisé : **{best}** (Le plus performant sur les données de test)")
+        st.caption(f"Prédiction générée par le modèle **{best}** (Fiabilité : {metrics[best]['R2']*100:.0f}%)")
 
-    # === ONGLET 2 : L'AUDIT (Ce que tu as demandé : Comparaison 3 modèles) ===
+    # === ONGLET 2 : LE VERDICT (Pour les non-techs) ===
     with tab_audit:
-        st.markdown("### 🥊 Comparaison : 3 Modèles vs Réalité")
-        st.caption("Sur les données de test (Passé récent inconnu des modèles)")
+        st.markdown("### 🏆 Qui est le meilleur prédicteur ?")
+        
+        # --- A. LE VERDICT EN FRANÇAIS ---
+        st.info(f"""
+        **Résultat du match :** L'intelligence artificielle **{best}** a battu les autres modèles.
+        
+        🔎 **Pourquoi ?** Sur les {test_days} derniers jours, elle a suivi la courbe réelle avec le plus de précision.
+        En moyenne, elle se trompe de seulement **{best_mae:.1f}** unités par jour (contre {metrics['Random Forest']['MAE']:.1f} pour le moins bon).
+        """)
+
+        # --- B. PREUVE VISUELLE ---
+        st.markdown("#### 👁️ Preuve Visuelle : Modèles vs Réalité")
+        st.caption("Regardez quelle ligne colorée suit le mieux la ligne blanche pointillée (La Réalité).")
         
-        # 1. Graphique Comparatif (La demande spécifique)
         fig_comp = go.Figure()
         
-        # La Réalité (Noir/Blanc)
+        # 1. La Réalité (Blanche, très visible)
         fig_comp.add_trace(go.Scatter(
             x=forecaster.dates_test, y=forecaster.y_test, 
-            name="RÉALITÉ", line=dict(color='white', width=3, dash='dot')
+            name="🔴 LA RÉALITÉ", line=dict(color='white', width=4, dash='dot')
         ))
         
-        # Les 3 Modèles
-        colors = {'XGBoost': '#00d2ff', 'LightGBM': '#3af27e', 'Random Forest': '#ffdf3d'}
+        # 2. Le Vainqueur (Vert fluo)
+        best_pred = forecaster.test_predictions[best]
+        fig_comp.add_trace(go.Scatter(
+            x=forecaster.dates_test, y=best_pred, 
+            name=f"🏆 {best} (Gagnant)",
+            line=dict(color='#00E676', width=3),
+            opacity=0.9
+        ))
+        
+        # 3. Les Perdants (Grisés pour ne pas polluer)
         for name, pred in forecaster.test_predictions.items():
-            is_best = (name == best)
-            fig_comp.add_trace(go.Scatter(
-                x=forecaster.dates_test, y=pred, 
-                name=f"{name} {'🏆' if is_best else ''}",
-                line=dict(color=colors.get(name, 'gray'), width=2 if is_best else 1),
-                opacity=1 if is_best else 0.5
-            ))
+            if name != best:
+                fig_comp.add_trace(go.Scatter(
+                    x=forecaster.dates_test, y=pred, 
+                    name=name,
+                    line=dict(color='gray', width=1),
+                    opacity=0.4
+                ))
             
-        fig_comp.update_layout(template="plotly_dark", height=500, title="Test de Vérité (Backtesting)")
+        fig_comp.update_layout(template="plotly_dark", height=450)
         st.plotly_chart(fig_comp, use_container_width=True)
         
-        # 2. Tableau des Métriques
-        col_m1, col_m2 = st.columns([1, 1])
-        with col_m1:
-            st.markdown("#### 📉 Scores de Précision")
-            metrics_df = pd.DataFrame(metrics).T.sort_values('RMSE')
-            st.dataframe(metrics_df.style.highlight_min(subset=['RMSE', 'MAE'], color='#004d40'), use_container_width=True)
-            
-        # 3. SHAP (Interprétabilité)
-        with col_m2:
-            st.markdown("#### 🧠 Analyse SHAP (Pourquoi ?)")
+        # --- C. SHAP (Bonus Explicatif) ---
+        col_why, col_reset = st.columns([3, 1])
+        with col_why:
             if SHAP_AVAILABLE:
-                if st.button("Calculer Importance Features (SHAP)"):
-                    with st.spinner("Analyse des vecteurs d'influence..."):
-                        explainer, shap_vals, X_samp = forecaster.compute_shap()
-                        if shap_vals is not None:
-                            # On utilise matplotlib pour SHAP summary plot
-                            fig_shap, ax = plt.subplots(figsize=(6, 4))
-                            # Fond sombre pour aller avec Gotham
-                            fig_shap.patch.set_facecolor('#0e1117')
-                            ax.set_facecolor('#0e1117')
-                            
-                            shap.summary_plot(shap_vals, X_samp, max_display=10, plot_type="bar", show=False)
-                            # Customisation couleur texte
-                            ax.tick_params(colors='white')
-                            ax.xaxis.label.set_color('white')
-                            ax.yaxis.label.set_color('white')
-                            
-                            st.pyplot(fig_shap)
-                        else:
-                            st.warning("Calcul SHAP impossible sur ce modèle.")
-            else:
-                st.warning("Bibliothèque SHAP non installée.")
-
-        if st.button("♻️ Réinitialiser l'entraînement"):
-            del st.session_state['forecaster']
-            st.rerun()
+                with st.expander("🧠 Comprendre le cerveau de l'IA (Pourquoi ces chiffres ?)"):
+                    st.write("Ce graphique montre ce qui influence le plus la hausse ou la baisse des admissions :")
+                    if st.button("Calculer les Facteurs d'Influence"):
+                        with st.spinner("Analyse..."):
+                            explainer, shap_vals, X_samp = forecaster.compute_shap()
+                            if shap_vals is not None:
+                                fig_shap, ax = plt.subplots(figsize=(8, 5))
+                                fig_shap.patch.set_facecolor('#0e1117')
+                                ax.set_facecolor('#0e1117')
+                                shap.summary_plot(shap_vals, X_samp, max_display=8, plot_type="bar", show=False)
+                                ax.tick_params(colors='white', labelsize=10)
+                                ax.xaxis.label.set_color('white')
+                                st.pyplot(fig_shap)
+        
+        with col_reset:
+             if st.button("♻️ Reset"):
+                del st.session_state['forecaster']
+                st.rerun()