Update app.py

app.py

@@ -5,95 +5,99 @@ from pyspark.ml.classification import LogisticRegressionModel
 from pyspark.ml.feature import VectorAssembler
 
 # --- 1. SAYFA AYARLARI (PAGE CONFIG) ---
-st.set_page_config(page_title="Heart Disease Predictor", page_icon="🫀", layout="centered")
+st.set_page_config(page_title="Heart Disease Predictor", page_icon="🫀", layout="wide")
 
-# CSS ile buton ve başlıkları güzelleştirelim
+# Görsel stil ekleyelim (CSS)
 st.markdown("""
     <style>
-    .main { opacity: 0.95; }
-    .stButton>button { width: 100%; border-radius: 20px; height: 3em; background-color: #ff4b4b; color: white; }
+    .main { background-color: #f5f7f9; }
+    .stButton>button { width: 100%; border-radius: 10px; height: 3em; background-color: #e63946; color: white; font-weight: bold; }
+    .stSuccess { background-color: #d8f3dc; }
     </style>
     """, unsafe_allow_html=True)
 
-st.title("🫀 Heart Disease Risk Prediction")
-st.subheader("Kalp Hastalığı Risk Tahmini")
-st.write("---")
-
-# --- 2. SPARK VE MODEL YÜKLEME (SPARK & MODEL LOADING) ---
+# --- 2. SPARK VE MODEL BAŞLATMA ---
 @st.cache_resource
-def initialize_app():
-    # Spark oturumunu başlat
+def initialize_spark_and_model():
+    # Spark Session
     spark = SparkSession.builder \
         .appName("HeartDiseaseApp") \
         .master("local[*]") \
         .config("spark.driver.bindAddress", "127.0.0.1") \
         .getOrCreate()
     
-    # Modeli yükle (heart_model klasöründen)
+    # Model Loading
     model = LogisticRegressionModel.load("heart_model")
     return spark, model
 
 try:
-    spark, model = initialize_app()
-    st.success("✅ System Ready / Sistem Hazır")
+    spark, model = initialize_spark_and_model()
 except Exception as e:
-    st.error(f"❌ Initialization Error / Başlatma Hatası: {e}")
-    st.info("Lütfen heart_model klasörünün doğruluğunu kontrol edin.")
+    st.error(f"Error / Hata: {e}")
     st.stop()
 
-# --- 3. KULLANICI GİRİŞLERİ (USER INPUTS) ---
+# --- 3. ÜST BAŞLIK VE AÇIKLAMA ---
+st.title("🫀 Heart Disease Risk Prediction")
+st.subheader("Kalp Hastalığı Risk Tahmini")
+st.info("Fill in the patient data on the left and click 'Predict'. / Soldaki hasta verilerini doldurun ve 'Tahmin Et' butonuna basın.")
+
+# --- 4. GİRİŞ ALANLARI (SIDEBAR) ---
 st.sidebar.header("📋 Patient Data / Hasta Verileri")
 
-def get_inputs():
-    col1, col2 = st.columns(2)
+def get_user_inputs():
+    # Sayısal girişler ve seçimler
+    age = st.sidebar.slider("Age / Yaş", 1, 100, 50)
+    sex = st.sidebar.radio("Sex / Cinsiyet", [1, 0], format_func=lambda x: "Male/Erkek" if x == 1 else "Female/Kadın")
+    cp = st.sidebar.selectbox("Chest Pain Type / Göğüs Ağrısı Tipi (0-3)", [0, 1, 2, 3])
+    trestbps = st.sidebar.number_input("Resting BP / Kan Basıncı (mm Hg)", 50, 250, 120)
+    chol = st.sidebar.number_input("Cholesterol / Kolesterol (mg/dl)", 100, 600, 200)
+    fbs = st.sidebar.radio("Fasting Blood Sugar > 120 / Şeker Yüksek mi?", [0, 1], format_func=lambda x: "Yes/Evet" if x == 1 else "No/Hayır")
+    restecg = st.sidebar.selectbox("Resting ECG / EKG Sonucu (0-2)", [0, 1, 2])
+    thalach = st.sidebar.slider("Max Heart Rate / Maks. Kalp Hızı", 50, 220, 150)
+    exang = st.sidebar.radio("Exercise Induced Angina / Egzersiz Ağrısı?", [0, 1], format_func=lambda x: "Yes/Evet" if x == 1 else "No/Hayır")
+    oldpeak = st.sidebar.number_input("Oldpeak (ST Depression)", 0.0, 10.0, 1.0, step=0.1)
+    slope = st.sidebar.selectbox("Slope of ST Segment (0-2)", [0, 1, 2])
+    ca = st.sidebar.selectbox("Major Vessels / Damar Sayısı (0-4)", [0, 1, 2, 3, 4])
+    thal = st.sidebar.selectbox("Thalassemia / Thal (0-3)", [0, 1, 2, 3])
     
-    with col1:
-        age = st.number_input("Age / Yaş", 1, 120, 50)
-        sex = st.selectbox("Sex / Cinsiyet", options=[1, 0], format_func=lambda x: "Male/Erkek (1)" if x == 1 else "Female/Kadın (0)")
-        cp = st.selectbox("Chest Pain / Göğüs Ağrısı (0-3)", [0, 1, 2, 3])
-        trestbps = st.number_input("Resting BP / Kan Basıncı", 50, 250, 120)
-        chol = st.number_input("Cholesterol / Kolesterol", 100, 600, 200)
-        fbs = st.selectbox("Fasting Sugar > 120 / Şeker", [0, 1], format_func=lambda x: "Yes/Evet (1)" if x == 1 else "No/Hayır (0)")
-        
-    with col2:
-        restecg = st.selectbox("Resting ECG / EKG (0-2)", [0, 1, 2])
-        thalach = st.number_input("Max Heart Rate / Kalp Hızı", 50, 250, 150)
-        exang = st.selectbox("Exercise Angina / Anjin", [0, 1], format_func=lambda x: "Yes/Evet (1)" if x == 1 else "No/Hayır (0)")
-        oldpeak = st.number_input("Oldpeak", 0.0, 10.0, 1.0)
-        slope = st.selectbox("Slope (0-2)", [0, 1, 2])
-        ca = st.selectbox("Major Vessels / Damar Sayısı", [0, 1, 2, 3, 4])
-        thal = st.selectbox("Thal (0-3)", [0, 1, 2, 3])
-
-    input_data = {
+    data = {
         'age': age, 'sex': sex, 'cp': cp, 'trestbps': trestbps, 'chol': chol,
         'fbs': fbs, 'restecg': restecg, 'thalach': thalach, 'exang': exang,
         'oldpeak': oldpeak, 'slope': slope, 'ca': ca, 'thal': thal
     }
-    return spark.createDataFrame([input_data])
+    return spark.createDataFrame([data])
+
+input_df = get_user_inputs()
+
+# --- 5. TAHMİN VE SONUÇ EKRANI ---
+col1, col2 = st.columns([1, 1])
 
-input_df = get_inputs()
+with col1:
+    st.markdown("### User Profile / Kullanıcı Profili")
+    st.write(input_df.toPandas().T.rename(columns={0: 'Values'}))
 
-# --- 4. TAHMİN (PREDICTION) ---
-st.write("---")
-if st.button("PREDICT / TAHMİN ET"):
-    with st.spinner('Analyzing... / Analiz ediliyor...'):
-        # Özellikleri vektöre dönüştür
+with col2:
+    st.markdown("### Prediction / Tahmin")
+    if st.button("RUN ANALYSIS / ANALİZİ ÇALIŞTIR"):
+        # Veriyi hazırla
         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)
+        processed_data = assembler.transform(input_df)
         
-        # Tahmin yap
-        prediction_results = model.transform(final_data)
-        result = prediction_results.select("prediction").collect()[0][0]
-        probability = prediction_results.select("probability").collect()[0][0]
+        # Model tahmini
+        prediction_output = model.transform(processed_data)
+        result = prediction_output.select("prediction").collect()[0][0]
+        prob = prediction_output.select("probability").collect()[0][0]
 
-        st.subheader("Results / Sonuçlar")
+        # Sonuç Görselleştirme
         if result == 1.0:
-            st.error(f"⚠️ HIGH RISK / YÜKSEK RİSK")
-            st.write(f"Confidence / Güven Oranı: %{round(probability[1]*100, 2)}")
+            st.error(f"### ⚠️ HIGH RISK / YÜKSEK RİSK")
+            st.metric("Risk Probability / Risk Olasılığı", f"%{round(prob[1]*100, 2)}")
+            st.write("Please consult a doctor. / Lütfen bir doktora danışın.")
         else:
-            st.success(f"💚 LOW RISK / DÜŞÜK RİSK")
-            st.write(f"Confidence / Güven Oranı: %{round(probability[0]*100, 2)}")
+            st.success(f"### ✅ LOW RISK / DÜŞÜK RİSK")
+            st.metric("Healthy Probability / Sağlıklı Olasılığı", f"%{round(prob[0]*100, 2)}")
+            st.write("Results look stable. / Sonuçlar stabil görünüyor.")
 
-st.write("---")
-st.caption("Disclaimer: Not for medical use. / Tıbbi amaçlı kullanılamaz.")
+st.divider()
+st.caption("Disclaimer: This AI model is for educational purposes. / Bu yapay zeka modeli eğitim amaçlıdır.")