Create app.py

app.py

@@ -0,0 +1,33 @@
+import gradio as gr
+import pandas as pd
+import numpy as np
+from sklearn.ensemble import RandomForestRegressor
+best_model=load('./model_LogisticRegression.joblib')
+# Suponiendo que 'best_model' y 'X_train' están definidos en tu entorno
+
+def predict_price(size, bathroom, parking, rooms):
+    new_property_data = pd.DataFrame({
+        'Tamaño': [size],
+        'Baño': [bathroom],
+        'Estacionamiento': [parking],
+        'Habitaciones': [rooms]
+    })
+    # Asegúrate de que las columnas estén en el mismo orden que X_train
+    new_property_data = new_property_data[X_train.columns]
+    predicted_price = best_model.predict(new_property_data)
+    return f"${predicted_price[0]:,.2f}"
+
+iface = gr.Interface(
+    fn=predict_price,
+    inputs=[
+        gr.Number(label="Tamaño (m²)", value=150),
+        gr.Number(label="Baños", value=2.5),
+        gr.Number(label="Estacionamiento", value=2),
+        gr.Number(label="Habitaciones", value=3),
+    ],
+    outputs=gr.Textbox(label="Precio Estimado"),
+    title="Predictor de Precios de Inmuebles",
+    description="Ingresa las características del inmueble para obtener una estimación de su precio."
+)
+
+iface.launch(debug=True)