Update app.py

app.py

@@ -1,12 +1,9 @@
-
-
 import pandas as pd, numpy as np, gradio as gr
 from sklearn.model_selection import train_test_split, GridSearchCV
 from sklearn.preprocessing import MinMaxScaler, LabelEncoder
 from sklearn.metrics import accuracy_score
 from concrete.ml.sklearn import XGBClassifier as ConcreteXGBClassifier
 
-
 SELECTED_FEATS = [
     "Cari Oran",
     "Dönen Varlıklar / Aktif (%)",
@@ -118,62 +115,56 @@ def compute_ratios(df: pd.DataFrame) -> pd.DataFrame:
 
 
 # ------------------------ MODEL EĞİTİMİ ------------------------
-RUN_TRAINING_ONCE = False
-
-if RUN_TRAINING_ONCE:
-    df = pd.read_csv("refined_data.csv")
-    df["Görüs Tipi"] = df["Görüs Tipi"].apply(
-        lambda x: "Olumlu" if "olumlu" in str(x).lower() else x)
-
-    DROP = [
-        "Şirket Adı", "Şirketin Kodu", "Periyot", "Yıl",
-        "Dönen Varlıklar", "Duran Varlıklar", "Toplam Varlıklar",
-        "Kısa Vadeli Yükümlülükler", "Uzun Vadeli Yükümlülükler", "Toplam Yükümlülükler",
-        "Toplam Özkaynaklar", "Ana Ortaklığa Ait Özkaynaklar",
-        "Kontrol Gücü Olmayan Kaynaklar", "Toplam Kaynaklar"
-    ]
-    df = df.drop(columns=DROP).dropna()
-
-    X, y = df.drop(columns="Görüs Tipi"), df["Görüs Tipi"]
-    X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=0.2, stratify=y, random_state=42)
-
-    scaler = MinMaxScaler().fit(X_tr)
-    Xtr_s = scaler.transform(X_tr)
-    Xte_s = scaler.transform(X_te)
-
-    encoder = LabelEncoder()
-    ytr_e = encoder.fit_transform(y_tr)
-    yte_e = encoder.transform(y_te)
-
-    grid = GridSearchCV(
-        ConcreteXGBClassifier(n_bits=8, random_state=42),
-        {"n_estimators": [20, 30, 50], "max_depth": [3, 4, 5], "learning_rate": [0.1, 0.2]},
-        cv=3, scoring="accuracy", verbose=0
-    )
-    grid.fit(Xtr_s, ytr_e)
-    best_params = grid.best_params_
+df = pd.read_csv("refined_data.csv")
+df["Görüs Tipi"] = df["Görüs Tipi"].apply(
+    lambda x: "Olumlu" if "olumlu" in str(x).lower() else x)
+
+DROP = [
+    "Şirket Adı", "Şirketin Kodu", "Periyot", "Yıl",
+    "Dönen Varlıklar", "Duran Varlıklar", "Toplam Varlıklar",
+    "Kısa Vadeli Yükümlülükler", "Uzun Vadeli Yükümlülükler", "Toplam Yükümlülükler",
+    "Toplam Özkaynaklar", "Ana Ortaklığa Ait Özkaynaklar",
+    "Kontrol Gücü Olmayan Kaynaklar", "Toplam Kaynaklar"
+]
+df = df.drop(columns=DROP).dropna()
+
+X, y = df.drop(columns="Görüs Tipi"), df["Görüs Tipi"]
+X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=0.2, stratify=y, random_state=42)
+
+scaler = MinMaxScaler().fit(X_tr)
+Xtr_s = scaler.transform(X_tr)
+Xte_s = scaler.transform(X_te)
+
+encoder = LabelEncoder()
+ytr_e = encoder.fit_transform(y_tr)
+yte_e = encoder.transform(y_te)
 
-    full_plain = ConcreteXGBClassifier(n_bits=8, **best_params, random_state=42)
-    full_plain.fit(Xtr_s, ytr_e)
+grid = GridSearchCV(
+    ConcreteXGBClassifier(n_bits=8, random_state=42),
+    {"n_estimators": [20, 30, 50], "max_depth": [3, 4, 5], "learning_rate": [0.1, 0.2]},
+    cv=3, scoring="accuracy", verbose=0
+)
+grid.fit(Xtr_s, ytr_e)
+best_params = grid.best_params_
 
-    imp_df = pd.DataFrame({"col": X.columns, "imp": full_plain.feature_importances_})
-    imp_df["cum"] = imp_df["imp"].cumsum()
-    COLS = imp_df.loc[imp_df["cum"] <= 0.95, "col"].tolist()
+full_plain = ConcreteXGBClassifier(n_bits=8, **best_params, random_state=42)
+full_plain.fit(Xtr_s, ytr_e)
 
-    print("\n🔎 Modelde kullanılan kolonlar:")
-    for i, col in enumerate(COLS, start=1):
-        print(f"{i:>2}. {col}")
+imp_df = pd.DataFrame({"col": X.columns, "imp": full_plain.feature_importances_})
+imp_df["cum"] = imp_df["imp"].cumsum()
+COLS = imp_df.loc[imp_df["cum"] <= 0.95, "col"].tolist()
 
-    scaler_sel = MinMaxScaler().fit(X_tr[COLS])
-    Xtr_sel = scaler_sel.transform(X_tr[COLS])
-    Xte_sel = scaler_sel.transform(X_te[COLS])
+print("\n🔎 Modelde kullanılan kolonlar:")
+for i, col in enumerate(COLS, start=1):
+    print(f"{i:>2}. {col}")
 
-    final_model = ConcreteXGBClassifier(n_bits=8, **best_params, random_state=42)
-    final_model.fit(Xtr_sel, ytr_e)
-    final_model.compile(Xtr_sel)
+scaler_sel = MinMaxScaler().fit(X_tr[COLS])
+Xtr_sel = scaler_sel.transform(X_tr[COLS])
+Xte_sel = scaler_sel.transform(X_te[COLS])
 
-    print(f"\n✅ Eğitim tamamlandı. Accuracy: {accuracy_score(yte_e, final_model.predict(Xte_sel)):.4f}")
-    exit()
+final_model = ConcreteXGBClassifier(n_bits=8, **best_params, random_state=42)
+final_model.fit(Xtr_sel, ytr_e)
+final_model.compile(Xtr_sel)
 
 # ------------------------ Tahmin Fonksiyonu ------------------------
 def predict_opinion(excel_file: gr.File):
@@ -207,5 +198,5 @@ with gr.Blocks(theme=gr.themes.Default(primary_hue="blue")) as demo:
     out_df  = gr.Dataframe(wrap=True, show_label=False)
     btn.click(predict_opinion, file_in, out_df)
 
-if __name__ == "__main__":
-    demo.launch()
+if _name_ == "_main_":
+    demo.launch()