app.py

import pandas as pd
import gradio as gr
import numpy as np
import plotly.express as px
import pickle
from sklearn.preprocessing import StandardScaler

# Charger les modèles sauvegardés
with open("scaler.pkl", "rb") as f:
    scaler = pickle.load(f)

with open("pca_model.pkl", "rb") as f:
    pca_model = pickle.load(f)

with open("kmeans_model.pkl", "rb") as f:
    model_cluster = pickle.load(f)



# Vérifie si le fichier existe et charge-le
try:
    with open("lg.pkl", "rb") as f:
        model_diabetes = pickle.load(f)
        print("Model loaded successfully!")
except FileNotFoundError:
    print("File 'lg.pkl' not found.")
except EOFError:
    print("File 'lg.pkl' is empty or corrupted.")

# Charger le dataframe (assurez-vous de mettre le bon chemin vers votre fichier)
df_scaled = pd.read_csv("data.csv")  # Remplacez par le chemin réel du fichier

# Appliquer PCA pour transformer les données en 2D et prédire les clusters
pca_result = pca_model.transform(df_scaled)
pca_df = pd.DataFrame(pca_result, columns=['PC1', 'PC2'])
pca_df['Cluster'] = model_cluster.predict(df_scaled)

# Fonction de prédiction du diabète
def predict_diabetes(pregnancies, glucose, blood_pressure, skin_thickness, insulin, bmi, dpf, age):
    input_data = np.array([[pregnancies, glucose, blood_pressure, skin_thickness, insulin, bmi, dpf, age]])
    prediction = model_diabetes.predict(input_data)[0]  # Utilise le modèle de régression logistique pour prédire
    return "Diabétique" if prediction == 1 else "Non diabétique"

# Fonction pour afficher les clusters
def plot_clusters(selected_cluster):
    # Filtrer par le cluster sélectionné (si "Tous" n'est pas choisi)
    if selected_cluster != "Tous":
        selected_data = pca_df[pca_df['Cluster'] == int(selected_cluster)]
    else:
        selected_data = pca_df

    if selected_data.empty:
        return px.scatter(title="Aucun point à afficher")

    # Créer le graphique avec Plotly
    fig = px.scatter(selected_data, x='PC1', y='PC2', color=selected_data['Cluster'].astype(str),
                     title=f"Visualisation du Cluster {selected_cluster}", labels={'color': 'Cluster'})

    return fig

# Fonction pour télécharger les clusters en CSV
def download_clusters():
    return df.to_csv(index=False), "clusters.csv"

# Interface utilisateur Gradio
with gr.Blocks() as app:
    gr.Markdown("## Application Machine Learning : Classification et Clustering")

    # **Section Classification**
    gr.Markdown("### Prédiction du Diabète")
    with gr.Row():
        pregnancies = gr.Number(label="Grossesses")
        glucose = gr.Number(label="Glucose")
        blood_pressure = gr.Number(label="Pression artérielle")
    with gr.Row():
        skin_thickness = gr.Number(label="Épaisseur de peau")
        insulin = gr.Number(label="Insuline")
        bmi = gr.Number(label="IMC")
    with gr.Row():
        dpf = gr.Number(label="DPF")
        age = gr.Number(label="Âge")

    predict_button = gr.Button("Prédire")
    output_label = gr.Textbox(label="Résultat")

    predict_button.click(fn=predict_diabetes,
                         inputs=[pregnancies, glucose, blood_pressure, skin_thickness, insulin, bmi, dpf, age],
                         outputs=output_label)

    # **Section Clustering**
    gr.Markdown("### Visualisation des Clusters des Réactions en Ligne")

    # Calculate unique clusters after PCA and prediction
    unique_clusters = pca_df['Cluster'].unique()

    cluster_selector = gr.Dropdown(["Tous"] + [str(i) for i in unique_clusters],
                                   label="Sélectionner un cluster")
    cluster_plot = gr.Plot()

    cluster_selector.change(fn=plot_clusters, inputs=[cluster_selector], outputs=[cluster_plot])

    # Téléchargement des clusters
    download_button = gr.Button("Télécharger les clusters")
    download_button.click(fn=download_clusters, outputs=gr.File())

app.launch()