Update app.py

Derniers ajustements

app.py

@@ -17,9 +17,9 @@ from scipy.stats import pearsonr
 TEST_SIZE = 0.3
 RANDOM_STATE = 42
 
-st.set_page_config(page_title="Analyse d'Importance", layout="wide")
+st.set_page_config(page_title="Analyse d'importance", layout="wide")
 
-st.title("🔍 Analyse de l'Importance des Caractéristiques")
+st.title("🔍 Analyse de l'importance des caractéristiques")
 st.markdown(
     """
 Cette application illustre la différence entre la pertinence marginale et la pertinence conditionnelle d'une caractéristique.
@@ -213,20 +213,20 @@ if df is not None and X is not None and len(X.columns) > 0:
                 res = pd.DataFrame({
                     "Variable": feature_names,
                     "Importance seule (MI)": mi,
-                    "Poids dans le Modèle": np.abs(coefs),
+                    "Poids dans le modèle": np.abs(coefs),
                     "Sens": np.where(coefs > 0, "+", "-")
                 })
                 
                 if task == "Regression":
-                    res["Lien Direct (Corr)"] = [pearsonr(X_train_proc[:, i], y_train)[0] for i in range(len(feature_names))]
+                    res["Lien direct (Corr)"] = [pearsonr(X_train_proc[:, i], y_train)[0] for i in range(len(feature_names))]
                 
                 # Normalisation pour Score Synthétique
                 def normalize(s): return (s - s.min()) / (s.max() - s.min() + 1e-10)
                 mi_n = normalize(res["Importance seule (MI)"])
-                poids_n = normalize(res["Poids dans le Modèle"])
+                poids_n = normalize(res["Poids dans le modèle"])
 
                 if task == "Regression":
-                    corr_n = normalize(res["Lien Direct (Corr)"].abs())
+                    corr_n = normalize(res["Lien direct (Corr)"].abs())
                     res["Score synthétique"] = ((mi_n + corr_n) / 2 + poids_n) / 2
                 else:
                     res["Score synthétique"] = (mi_n + poids_n) / 2
@@ -234,9 +234,9 @@ if df is not None and X is not None and len(X.columns) > 0:
                 res = res.sort_values("Score synthétique", ascending=False)
 
                 # Réorganisation des colonnes
-                cols = ["Variable", "Score synthétique", "Importance seule (MI)", "Poids dans le Modèle", "Sens"]
+                cols = ["Variable", "Score synthétique", "Importance seule (MI)", "Poids dans le modèle", "Sens"]
                 if task == "Regression":
-                    cols = ["Variable", "Score synthétique", "Importance seule (MI)", "Lien Direct (Corr)", "Poids dans le Modèle", "Sens"]
+                    cols = ["Variable", "Score synthétique", "Importance seule (MI)", "Lien direct (Corr)", "Poids dans le modèle", "Sens"]
                 
                 final_df = res[cols].copy()