app.py

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}")