Ajout des fichiers pour le modèle de prédiction de prix de voiture

README.md

@@ -0,0 +1,48 @@
+# Prédiction du Prix de Vente d'une Voiture avec Régression Linéaire
+
+Ce projet implémente un modèle de régression linéaire multiple pour prédire le prix de vente d'une voiture en fonction de ses caractéristiques. L'application est construite avec **Gradio** pour l'interface utilisateur et est déployée localement ainsi que sur **Hugging Face Spaces**.
+
+---
+
+## Fonctionnalités du projet
+
+- **Entraînement du modèle** : Utilisation d'un modèle de régression linéaire multiple.
+- **Prédiction interactive** : Interface utilisateur simple et intuitive avec Gradio.
+- **Déploiement** : Hébergement de l'application sur Hugging Face Spaces.
+- **Données manipulées** : Variables quantitatives et qualitatives liées aux voitures.
+
+---
+
+## Variables utilisées pour la prédiction
+
+1. **Kilométrage parcouru (Kms_Driven)** : Distance totale parcourue par la voiture.
+2. **Prix actuel (Present_Price)** : Prix actuel de la voiture sur le marché.
+3. **Type de carburant (Fuel_Type)** :
+   - 0 : Essence
+   - 1 : Diesel
+   - 2 : CNG
+4. **Type de vendeur (Seller_Type)** :
+   - 0 : Particulier
+   - 1 : Concessionnaire
+5. **Transmission** :
+   - 0 : Manuelle
+   - 1 : Automatique
+6. **Âge du véhicule (Age)** : Nombre d'années depuis la fabrication du véhicule.
+
+---
+
+## Prérequis
+
+Avant de commencer, vous devez avoir les éléments suivants installés :
+
+1. **Python 3.7 ou supérieur**.
+2. Les bibliothèques Python suivantes :
+   - Gradio
+   - Joblib
+   - Numpy
+   - Scikit-learn
+
+Installez toutes les dépendances avec la commande suivante :
+
+```bash
+pip install -r requirements.txt

app.py

@@ -0,0 +1,25 @@
+import gradio as gr
+import joblib
+import numpy as np
+
+# Charger le modèle en spécifiant le chemin absolu
+model_path = "./linear_regression_model.joblib"
+lr = joblib.load(model_path)
+
+# Fonction de prédiction
+def predict_price(*features):
+    features = np.array(features).reshape(1, -1)
+    prediction = lr.predict(features)[0]
+    return round(prediction, 2)
+
+# Interface Gradio
+input_labels = ["Kms_Driven", "Present_Price",	"Fuel_Type",	"Seller_Type",	"Transmission",	"Age",	"Selling_Price"]  
+inputs = [gr.Number(label=label) for label in input_labels]
+
+output = gr.Number(label="Predicted Price")
+
+interface = gr.Interface(fn=predict_price, inputs=inputs, outputs=output, title="Car Price Prediction")
+
+# Lancer l'application
+if __name__ == "__main__":
+    interface.launch()

linear_regression_model.joblib

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:0a8b5c7c6cfd2c26cc9479b53259bf76d6f95afd51d345cfc29646041749503c
+size 648