new application

app.py

@@ -31,7 +31,7 @@ def predict_price(kms_driven, present_price, fuel_type, seller_type, transmissio
 
         # Prédiction
         prediction = lr.predict(features)[0]
-        return round(prediction, 2)
+        return max(round(prediction, 2), 0)  # S'assurer que le prix prédit n'est pas négatif
     except Exception as e:
         return f"Erreur lors de la prédiction : {str(e)}"
 
@@ -65,10 +65,10 @@ def predict_from_csv(file):
         features = data[required_columns].values
         predictions = lr.predict(features)
 
-        # Calculer la moyenne des prédictions
-        average_prediction = np.mean(predictions)
+        # Ajouter les prédictions au DataFrame
+        data["Predicted_Price"] = [max(pred, 0) for pred in predictions]  # S'assurer que les prix prédits ne sont pas négatifs
 
-        return round(average_prediction, 2)
+        return data
     except Exception as e:
         return f"Erreur lors de la prédiction : {str(e)}"
 
@@ -85,7 +85,7 @@ simple_output = gr.Number(label="Predicted Price")
 
 # Interface Gradio pour la prédiction multiple via un fichier CSV
 csv_input = gr.File(label="Déposez votre fichier CSV")
-csv_output = gr.Number(label="Moyenne des prix prévus")
+csv_output = gr.Dataframe(label="Prédictions avec fichier CSV")
 
 # Interface combinée
 interface = gr.TabbedInterface(
@@ -102,7 +102,7 @@ interface = gr.TabbedInterface(
             inputs=csv_input,
             outputs=csv_output,
             title="Car Price Prediction (Multiple)",
-            description="Téléversez un fichier CSV contenant les données des voitures pour obtenir la moyenne des prédictions de prix.",
+            description="Téléversez un fichier CSV contenant les données des voitures pour obtenir les prédictions de prix.",
         ),
     ],
     tab_names=["Prédiction Unique", "Prédiction Multiple"]