Create deploy

deploy.py

@@ -0,0 +1,74 @@
+import pandas as pd
+from sklearn.model_selection import train_test_split
+from sklearn.linear_model import LogisticRegression
+
+datos = pd.read_csv("nueva_base_de_datos.csv", delimiter=',')
+X = datos.drop('loan_status', axis = 1)
+y = datos['loan_status']
+x_train, x_test, y_train, y_test = train_test_split(X, y, test_size = 0.2, random_state = 42, stratify = y)
+
+# Crea y ajusta el modelo de regresión logística
+modelo = LogisticRegression()
+modelo.fit(x_train, y_train)
+
+import gradio as gr
+
+def predict(person_income, loan_int_rate, person_age, person_home_ownership_numerica,
+            person_emp_length, loan_intent_numerica, loan_grade_numerica, loan_amnt,
+            cb_person_default_on_file_numerica, cb_person_cred_hist_length):
+
+  print(cb_person_default_on_file_numerica, person_home_ownership_numerica)
+  html = (
+        "<div style='max-width:100%; max-height:360px; overflow:auto'>"
+        +
+          """<p>Puntajes:</p>
+            <ul>
+              <li>BAJO: 300-579</li>
+              <li>JUSTO: 580-669</li>
+              <li>BUENO: 670-739</li>
+              <li>MUY BUENO: 740-799</li>
+              <li>EXCELENTE: 800-850</li>
+            </ul>"""
+        + "</div>"
+    )
+
+  df = pd.DataFrame(
+        {
+            'person_age': person_age,
+            'person_income': person_income,
+            'person_emp_length': person_emp_length,
+            'loan_amnt': loan_amnt,
+            'loan_int_rate': loan_int_rate,
+            'cb_person_cred_hist_length': cb_person_cred_hist_length,
+            'person_home_ownership_numerica': person_home_ownership_numerica,
+            'loan_intent_numerica': loan_intent_numerica,
+            'loan_grade_numerica': loan_grade_numerica,
+            'cb_person_default_on_file_numerica': cb_person_default_on_file_numerica,
+        }, index=[0]
+    )
+
+  pred = modelo.predict_proba(df)[0]
+  return 300 + (pred[1] * 550), html
+
+"""Según lo anterior, las variables categorias quedaron de la siguiente forma numerica.
+person_home_ownership: -RENT:3 -OWN:2 -MORTAGE:0 -OTHER:1
+loan_intent: -VENTURE:5 -PERSONAL:4 -EDUCATION:1 -MEDICAL:3 -HOMEIMPROVEMENT:2 -DEBTCONSOLIDATION:0
+loan_grade: -A:0 -B:1 -C:2 -D:3 -E:4 -F:5 -G:6
+cb_person_default_on_file: -Y:1 -N:0"""
+
+inputs = [
+  gr.Slider(1000, 100000, value= 4500, step=500, label='Ingreso Anual'),
+  gr.Slider(0, 25, value= 8.2, label='Tasa de Interes'),
+  gr.Slider(10, 95, value=25, step=1, label='Edad'),
+  gr.Dropdown([('Rentada', 3), ('Propia', 2), ('Hipoteca', 0), ('Otro', 1)], type='index', label='Tipo de Vivienda que posee'),
+  gr.Slider(0, 50, value=6, step=1, label='Años de experiencia laboral'),
+  gr.Dropdown([('Educación', 1), ('Empresa', 5), ('Consolidación de la Deuda', 0), ('Mejora de Vivienda', 2), ('Medico', 3), ('Personal', 4)], type='index', label='Intención del Prestamo'),
+  gr.Dropdown([('A', 0), ('B', 1), ('C', 2), ('D', 3), ('E', 4), ('F', 5), ('G', 6)], type='index', label='Grado del Prestamo'),
+  gr.Slider(1000, 100000, value= 4500, step=500, label='Monto del Prestamo'),
+  gr.Dropdown([('Si', 0), ('No', 1), ('No', 1)], type='index', label='Hay incumplimientos en el historial crediticio ?'),
+  gr.Slider(0, 35, value=4, step=1, label='Duración del Historial Crediticio'),
+]
+
+demo = gr.Interface(fn=predict, inputs=inputs, outputs=["label", "html"], title='Modelo de Riesgo: ScoreCard')
+demo.launch(share=True, debug=True)
+