Update app.py

app.py

@@ -4,32 +4,30 @@ API de prédiction du prix de location - Projet Getaround
 Cette API expose un point de terminaison /predict qui renvoie le prix
 de location journalier suggéré pour un véhicule, à partir de ses
 caractéristiques.
-
-Auteur : Projet déploiement
 """
 
 from typing import List, Union
 from pathlib import Path
 import joblib
-import numpy as np
 import pandas as pd
 from fastapi import FastAPI, HTTPException
-from fastapi.responses import HTMLResponse
 from pydantic import BaseModel, Field
 
 # ---------------------------------------------------------------------------
 # Configuration de l'application
 # ---------------------------------------------------------------------------
-APP_TITLE = "Getaround - API de prédiction du prix de location"
-APP_DESCRIPTION = (
-    "Cette API expose un modèle de Machine Learning entraîné pour suggérer "
-    "le prix journalier optimal d'une location de véhicule, à partir de ses "
-    "caractéristiques techniques et de ses équipements."
-)
+APP_TITLE = "API Getaround - Prédiction du prix de location"
+APP_DESCRIPTION = """
+Cette API met à disposition un modèle de Machine Learning entraîné pour suggérer le prix journalier optimal d'une location de véhicule sur la plateforme Getaround.
+
+### Performances du modèle (XGBoost Regressor) :
+* **Erreur absolue moyenne (MAE) :** 9,18 EUR
+* **RMSE :** 12,82 EUR
+* **R² :** 0,846
+"""
 APP_VERSION = "1.0.0"
 MODEL_PATH = Path(__file__).resolve().parent / "best_model.joblib"
 
-# Colonnes attendues dans l'ordre du modèle
 FEATURE_COLUMNS = [
     "model_key", "mileage", "engine_power", "fuel", "paint_color",
     "car_type", "private_parking_available", "has_gps",
@@ -37,29 +35,16 @@ FEATURE_COLUMNS = [
     "has_speed_regulator", "winter_tires"
 ]
 
-# Modalités acceptées (à titre informatif)
-ACCEPTED_MODELS = [
-    "Citroën", "Renault", "BMW", "Peugeot", "Audi", "Nissan", "Mitsubishi",
-    "Mercedes", "Volkswagen", "Toyota", "SEAT", "Subaru", "Opel", "PGO",
-    "Ferrari", "Other"
-]
-ACCEPTED_FUELS = ["diesel", "petrol", "hybrid_petrol", "electro"]
-ACCEPTED_COLORS = ["black", "grey", "white", "red", "silver", "blue",
-                   "orange", "beige", "brown", "green"]
-ACCEPTED_CAR_TYPES = ["convertible", "coupe", "estate", "hatchback",
-                      "sedan", "subcompact", "suv", "van"]
-
 # ---------------------------------------------------------------------------
 # Initialisation
 # ---------------------------------------------------------------------------
 app = FastAPI(
     title=APP_TITLE,
     description=APP_DESCRIPTION,
-    version=APP_VERSION,
-    redoc_url="/redoc"  # On laisse FastAPI gérer automatiquement Swagger sur /docs
+    version=APP_VERSION
 )
 
-# Chargement du modèle une fois au démarrage
+# Chargement du modèle
 try:
     model = joblib.load(MODEL_PATH)
     MODEL_LOADED = True
@@ -72,7 +57,6 @@ except Exception as exc:
 # Schémas Pydantic
 # ---------------------------------------------------------------------------
 class PredictionInput(BaseModel):
-    """Schéma d'entrée acceptant une liste de listes de caractéristiques."""
     input: List[List[Union[str, int, float, bool]]] = Field(
         ...,
         examples=[[[
@@ -89,13 +73,12 @@ class PredictionOutput(BaseModel):
 # ---------------------------------------------------------------------------
 @app.get("/", tags=["Accueil"])
 async def root():
-    """Point d'entrée par défaut. Vérifie que l'API est opérationnelle."""
+    """Point d'entrée par défaut."""
     return {
         "message": "API Getaround opérationnelle",
         "version": APP_VERSION,
         "model_loaded": MODEL_LOADED,
-        "documentation": "/docs",
-        "presentation_html": "/about"
+        "documentation": "/docs"
     }
 
 @app.get("/health", tags=["Accueil"])
@@ -110,31 +93,24 @@ async def health():
 async def predict(payload: PredictionInput):
     """Renvoie la prédiction du prix de location journalier (EUR/jour)."""
     if not MODEL_LOADED:
-        raise HTTPException(status_code=503,
-                            detail="Modèle non chargé sur le serveur.")
+        raise HTTPException(status_code=503, detail="Modèle non chargé sur le serveur.")
     try:
         df_input = pd.DataFrame(payload.input, columns=FEATURE_COLUMNS)
         
-        # Conversion explicite des booléens en entiers (0 ou 1)
-        bool_cols = ["private_parking_available", "has_gps",
-                     "has_air_conditioning", "automatic_car",
-                     "has_getaround_connect", "has_speed_regulator",
-                     "winter_tires"]
+        # Conversion des types
+        bool_cols = ["private_parking_available", "has_gps", "has_air_conditioning", 
+                     "automatic_car", "has_getaround_connect", "has_speed_regulator", "winter_tires"]
         for c in bool_cols:
             df_input[c] = df_input[c].astype(int)
             
-        # Conversion des numériques
         df_input["mileage"] = df_input["mileage"].astype(int)
         df_input["engine_power"] = df_input["engine_power"].astype(int)
         
         preds = model.predict(df_input)
         return {"prediction": [round(float(p), 2) for p in preds]}
     except Exception as exc:
-        raise HTTPException(status_code=400,
-                            detail=f"Erreur lors de la prédiction : {exc}")
+        raise HTTPException(status_code=400, detail=f"Erreur lors de la prédiction : {exc}")
 
-# ---------------------------------------------------------------------------
-# Documentation HTML personnalisée déplacée à /about
-# ---------------------------------------------------------------------------
-@app.get("/about", response_class=HTMLResponse, include_in_schema=False)
-async def custom_
+if __name__ == "__main__":
+    import uvicorn
+    uvicorn.run("app:app", host="0.0.0.0", port=8000, reload=False)