Update app.py

app.py

@@ -1,20 +1,27 @@
 import streamlit as st
 import os
+import subprocess
 
-# --- JAVA VE ÇEVRESEL AYARLAR ---
-# Hugging Face (Debian tabanlı) üzerinde Java'nın varsayılan yolu budur
-os.environ["JAVA_HOME"] = "/usr/lib/jvm/java-17-openjdk-amd64"
+# --- 1. JAVA VE ÇEVRESEL AYARLAR (JAVA & ENVIRONMENT SETTINGS) ---
+try:
+    # Java yolunu sistemden otomatik bulur (Finds Java path automatically)
+    java_path = subprocess.check_output(['which', 'java']).decode('utf-8').strip()
+    real_java_path = os.path.realpath(java_path)
+    os.environ["JAVA_HOME"] = real_java_path.replace("/bin/java", "")
+except:
+    # Hata durumunda varsayılan yol (Default path if fails)
+    os.environ["JAVA_HOME"] = "/usr/lib/jvm/java-17-openjdk-amd64"
 
 from pyspark.sql import SparkSession
 from pyspark.ml.classification import LogisticRegressionModel
 from pyspark.ml.feature import VectorAssembler
 
-# --- SAYFA AYARLARI ---
-st.set_page_config(page_title="Kalp Hastalığı Tahmini", page_icon="🫀")
-st.title("🫀 Kalp Hastalığı Risk Tahmini")
-st.markdown("Spark MLlib kullanılarak geliştirilmiş makine öğrenmesi modelidir.")
+# --- 2. SAYFA AYARLARI (PAGE SETTINGS) ---
+st.set_page_config(page_title="Heart Disease Predictor", page_icon="🫀")
+st.title("🫀 Heart Disease Risk Prediction")
+st.subheader("Kalp Hastalığı Risk Tahmini")
 
-# --- SPARK OTURUMU BAŞLATMA ---
+# --- 3. SPARK OTURUMU (SPARK SESSION) ---
 @st.cache_resource
 def get_spark():
     return SparkSession.builder \
@@ -24,36 +31,35 @@ def get_spark():
 
 spark = get_spark()
 
-# --- MODELİ YÜKLEME ---
+# --- 4. MODELİ YÜKLEME (LOAD MODEL) ---
 @st.cache_resource
 def load_heart_model():
-    # heart_model klasörünün içindeki data ve metadata'yı okur
-    model_path = "heart_model"
-    return LogisticRegressionModel.load(model_path)
+    # heart_model klasöründen verileri çeker
+    return LogisticRegressionModel.load("heart_model")
 
 try:
     model = load_heart_model()
-    st.success("✅ Model başarıyla yüklendi!")
+    st.success("✅ Model loaded successfully! / Model başarıyla yüklendi!")
 except Exception as e:
-    st.error(f"❌ Model yükleme hatası: {e}")
-    st.info("Lütfen 'heart_model' klasörünün ve içindeki 'data'/'metadata' klasörlerinin doğru yüklendiğinden emin olun.")
+    st.error(f"❌ Error loading model: {e}")
+    st.stop()
 
-# --- KULLANICI GİRİŞ ALANLARI ---
-st.sidebar.header("Hasta Verilerini Girin")
+# --- 5. GİRİŞ ALANLARI (INPUT FIELDS) ---
+st.sidebar.header("Patient Data / Hasta Verileri")
 
 def user_input_features():
-    age = st.sidebar.number_input("Yaş", 1, 120, 50)
-    sex = st.sidebar.selectbox("Cinsiyet (1: Erkek, 0: Kadın)", [1, 0])
-    cp = st.sidebar.selectbox("Göğüs Ağrısı Tipi (0-3)", [0, 1, 2, 3])
-    trestbps = st.sidebar.number_input("Dinlenme Kan Basıncı", 50, 250, 120)
-    chol = st.sidebar.number_input("Kolesterol", 100, 600, 200)
-    fbs = st.sidebar.selectbox("Açlık Kan Şekeri > 120 (1: Evet, 0: Hayır)", [0, 1])
-    restecg = st.sidebar.selectbox("Dinlenme EKG Sonucu (0-2)", [0, 1, 2])
-    thalach = st.sidebar.number_input("Maksimum Kalp Atış Hızı", 50, 250, 150)
-    exang = st.sidebar.selectbox("Egzersize Bağlı Anjin (1: Evet, 0: Hayır)", [0, 1])
+    age = st.sidebar.number_input("Age / Yaş", 1, 120, 50)
+    sex = st.sidebar.selectbox("Sex / Cinsiyet (1: M, 0: F)", [1, 0])
+    cp = st.sidebar.selectbox("Chest Pain / Göğüs Ağrısı (0-3)", [0, 1, 2, 3])
+    trestbps = st.sidebar.number_input("Resting Blood Pressure / Kan Basıncı", 50, 250, 120)
+    chol = st.sidebar.number_input("Cholesterol / Kolesterol", 100, 600, 200)
+    fbs = st.sidebar.selectbox("Fasting Blood Sugar > 120 (1: Y, 0: N)", [0, 1])
+    restecg = st.sidebar.selectbox("Resting ECG / Dinlenme EKG (0-2)", [0, 1, 2])
+    thalach = st.sidebar.number_input("Max Heart Rate / Maks. Kalp Hızı", 50, 250, 150)
+    exang = st.sidebar.selectbox("Exercise Induced Angina (1: Y, 0: N)", [0, 1])
     oldpeak = st.sidebar.number_input("Oldpeak", 0.0, 10.0, 1.0)
     slope = st.sidebar.selectbox("Slope (0-2)", [0, 1, 2])
-    ca = st.sidebar.selectbox("Renkli Damar Sayısı (0-4)", [0, 1, 2, 3, 4])
+    ca = st.sidebar.selectbox("Major Vessels / Damar Sayısı (0-4)", [0, 1, 2, 3, 4])
     thal = st.sidebar.selectbox("Thal (0-3)", [0, 1, 2, 3])
     
     data = {
@@ -65,9 +71,8 @@ def user_input_features():
 
 input_df = user_input_features()
 
-# --- TAHMİN BÖLÜMÜ ---
-if st.button("Tahmin Et"):
-    # Modelin eğitildiği sütun sırasıyla vektör oluşturma
+# --- 6. TAHMİN (PREDICTION) ---
+if st.button("Predict / Tahmin Et"):
     feature_cols = ['age', 'sex', 'cp', 'trestbps', 'chol', 'fbs', 'restecg', 'thalach', 'exang', 'oldpeak', 'slope', 'ca', 'thal']
     assembler = VectorAssembler(inputCols=feature_cols, outputCol="features")
     final_data = assembler.transform(input_df)
@@ -77,9 +82,9 @@ if st.button("Tahmin Et"):
     probability = prediction.select("probability").collect()[0][0]
 
     if result == 1.0:
-        st.error(f"⚠️ Sonuç: Kalp Hastalığı Riski YÜKSEK! (Olasılık: %{round(probability[1]*100, 2)})")
+        st.error(f"⚠️ Risk: HIGH / YÜKSEK (Prob: %{round(probability[1]*100, 2)})")
     else:
-        st.success(f"💚 Sonuç: Kalp Hastalığı Riski Düşük. (Olasılık: %{round(probability[0]*100, 2)})")
+        st.success(f"💚 Risk: LOW / DÜŞÜK (Prob: %{round(probability[0]*100, 2)})")
 
 st.divider()
-st.caption("Not: Bu uygulama sadece eğitim amaçlıdır, tıbbi tavsiye yerine geçmez.")
+st.caption("Disclaimer: This is for educational purposes only. / Tıbbi tavsiye değildir.")