Spaces:
Sleeping
Sleeping
File size: 5,614 Bytes
db11cf1 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 |
import streamlit as st
import numpy as np
import pickle # Değişiklik: 'joblib' yerine 'pickle' import edildi
from tensorflow.keras.models import load_model
# --- Model ve Scaler Yükleme ---
@st.cache_resource
def load_keras_model():
"""Kayıtlı Keras modelini yükler."""
try:
model = load_model("model_churn.keras")
return model
except Exception as e:
st.error(f"Keras modeli (model_churn.keras) yüklenirken hata oluştu: {e}")
return None
# ----- BAŞLANGIÇ: GÜNCELLENEN BÖLÜM -----
@st.cache_resource
def load_scaler_model():
"""Kayıtlı Scaler'ı (pickle) yükler."""
try:
# Pickle dosyaları 'rb' (read binary) modu ile açılmalıdır
with open("scaler_churn", "rb") as f:
scaler = pickle.load(f)
return scaler
except FileNotFoundError:
st.error("Hata: 'scaler_churn' dosyası bulunamadı. Lütfen dosyayı yüklediğinizden emin olun.")
return None
except Exception as e:
st.error(f"Scaler (scaler_churn) yüklenirken hata oluştu: {e}")
return None
# ----- BİTİŞ: GÜNCELLENEN BÖLÜM -----
# Modelleri yükle
model = load_keras_model()
scaler = load_scaler_model()
# Modelinizin/Scaler'ınızın beklediği 11 özelliğin sırası
MODEL_INPUT_COLUMNS_ORDER = [
'CreditScore', 'Age', 'Tenure', 'Balance', 'NumOfProducts', 'HasCrCard',
'IsActiveMember', 'EstimatedSalary', 'Geography_Germany', 'Geography_Spain',
'Gender_Male'
]
# --- Arayüz (UI) ---
st.set_page_config(page_title="Müşteri Churn Tahmini", layout="wide")
st.title("🏦 Müşteri Churn Tahmin Modeli")
col1, col2 = st.columns([1, 1])
with col1:
st.header("Müşteri Bilgileri")
st.caption("Lütfen müşterinin bilgilerini girin.")
geography = st.selectbox("Ülke", ("France", "Spain", "Germany"), index=0)
gender = st.radio("Cinsiyet", ("Female", "Male"), index=0)
has_cr_card = st.radio("Kredi Kartı Var mı?", ("Var", "Yok"), index=0)
is_active_member = st.radio("Aktif Üye mi?", ("Evet", "Hayır"), index=0)
credit_score = st.number_input("Kredi Skoru", min_value=300, max_value=900, value=619)
age = st.number_input("Yaş", min_value=18, max_value=100, value=42)
tenure = st.number_input("Banka Müşterisi Olma Süresi (Yıl)", min_value=0, max_value=10, value=2)
balance = st.number_input("Bakiye", value=0.00, format="%.2f")
num_of_products = st.number_input("Ürün Sayısı", min_value=1, max_value=4, value=1)
estimated_salary = st.number_input("Tahmini Maaş", value=101348.88, format="%.2f")
predict_button = st.button("Riski Hesapla", type="primary")
with col2:
st.header("Tahmin Sonucu")
st.caption("Modelin churn (ayrılma) olasılığı tahmini.")
if predict_button:
if model is None or scaler is None:
st.error("Modeller yüklenemedi. Lütfen yönetici ile iletişime geçin.")
else:
try:
# --- 1. Adım: Tüm Ham Girdileri Bir Sözlükte Topla ---
raw_data_dict = {
'CreditScore': credit_score,
'Age': age,
'Tenure': tenure,
'Balance': balance,
'NumOfProducts': float(num_of_products),
'HasCrCard': 1.0 if has_cr_card == "Var" else 0.0,
'IsActiveMember': 1.0 if is_active_member == "Evet" else 0.0,
'EstimatedSalary': estimated_salary,
'Geography_Germany': 1.0 if geography == "Germany" else 0.0,
'Geography_Spain': 1.0 if geography == "Spain" else 0.0,
'Gender_Male': 1.0 if gender == "Male" else 0.0
}
# --- 2. Adım: Veriyi Modelin Sırasına Göre Diz ---
raw_input_features = [raw_data_dict[col] for col in MODEL_INPUT_COLUMNS_ORDER]
raw_input_array = np.array(raw_input_features).reshape(1, -1)
# --- 3. Adım: Ölçekleme (Scaling) ---
scaled_input_array = scaler.transform(raw_input_array)
# --- 4. Adım: Tahmin Yapma ---
with st.spinner("Model çalışıyor, tahmin yapılıyor..."):
prediction_proba = model.predict(scaled_input_array)[0][0]
churn_probability_percent = prediction_proba * 100
threshold = 50.0
# --- 5. Adım: Sonucu Gösterme ---
if churn_probability_percent > threshold:
st.error(f"Müşterinin Churn Olma Olasılığı: {churn_probability_percent:.2f}%")
st.warning("Bu müşterinin ayrılma riski YÜKSEK. 🚨")
else:
st.success(f"Müşterinin Churn Olma Olasılığı: {churn_probability_percent:.2f}%")
st.info("Bu müşterinin ayrılma riski DÜŞÜK. ✅")
with st.expander("Modelin Gördüğü İşlenmiş (Scaled) Veri"):
scaled_features_list = scaled_input_array.flatten().tolist()
st.json({col: val for col, val in zip(MODEL_INPUT_COLUMNS_ORDER, scaled_features_list)})
with st.expander("Scalera Giren Ham Veri (Kontrol amaçlı)"):
st.json({col: val for col, val in zip(MODEL_INPUT_COLUMNS_ORDER, raw_input_features)})
except Exception as e:
st.error(f"Tahmin sırasında bir hata oluştu: {e}") |