Update app.py

app.py

@@ -1,112 +1,202 @@
 import streamlit as st
 import pandas as pd
-import matplotlib.pyplot as plt
+import pickle
 import seaborn as sns
+import matplotlib.pyplot as plt
 from sklearn.model_selection import train_test_split
 from sklearn.linear_model import LogisticRegression
 from sklearn.preprocessing import LabelEncoder, StandardScaler
 from sklearn.metrics import classification_report, confusion_matrix, roc_curve, auc
 from io import StringIO
 
+# Sayfa ayarları
+st.set_page_config(page_title="Müşteri Kaybı Tahmin Uygulaması", page_icon=":telephone_receiver:", layout="wide")
 
-# Load the dataset
-@st.cache
+# Veriyi yükle (sadece bir kere yüklemek için @st.cache kullanıyoruz)
+@st.cache_data()
 def load_data():
-    return pd.read_csv('churn.csv')
-
-data = load_data()
-
-# Sidebar options
-st.sidebar.title("Navigation")
-options = ["Data Overview", "Visualization", "Churn Prediction"]
-choice = st.sidebar.radio("Go to", options)
-
-if choice == "Data Overview":
-    st.title("Customer Churn Dataset")
-    st.write("### Dataset Head")
-    st.write(data.head())
-
-    st.write("### Dataset Information")
-    # Create a buffer for the info output
-    buffer = StringIO()
-    data.info(buf=buffer)
-    s = buffer.getvalue()  # Get the output from the buffer
-    st.text(s)
-
-    st.write("### Dataset Statistics")
-    st.write(data.describe())
-
-elif choice == "Visualization":
-    st.title("Data Visualization")
-
-    # Churn distribution
-    st.write("### Churn Distribution")
-    fig, ax = plt.subplots()
-    sns.countplot(data['Churn'], ax=ax)
-    st.pyplot(fig)
-
-    # Gender distribution by churn
-    st.write("### Gender Distribution by Churn")
-    fig, ax = plt.subplots()
-    sns.countplot(x='gender', hue='Churn', data=data, ax=ax)
-    st.pyplot(fig)
-
-elif choice == "Churn Prediction":
-    st.title("Churn Prediction")
-
+    df = pd.read_csv('churn.csv')
+    return df
+
+df = load_data()
+
+# --- Arayüz ---
+
+st.title("Müşteri Kaybı Tahmin Uygulaması")
+
+# --- Sidebar (Sol Menü) ---
+st.sidebar.header("Navigasyon")
+page = st.sidebar.radio("Sayfa Seçin:", ["Veri İnceleme", "Model ve Tahmin"])
+
+# --- Veri İnceleme Sayfası ---
+if page == "Veri İnceleme":
+    st.header("Veri Seti İnceleme")
+
+    if st.checkbox("Veri Setini Göster"):
+        st.subheader("Veri Seti")
+        st.dataframe(df)
+
+    if st.checkbox("Özet İstatistikleri Göster"):
+        st.subheader("Özet İstatistikler")
+        st.write(df.describe())
+
+    if st.checkbox("Sütun Bilgilerini Göster"):
+        st.subheader("Sütun Bilgileri")
+        buffer = StringIO()
+        df.info(buf=buffer)
+        s = buffer.getvalue()
+        st.text(s)
+
+    # --- Görselleştirme ---
+    st.header("Veri Görselleştirme")
+    if st.checkbox("Sayısal Değişken Dağılımları"):
+        st.subheader("Sayısal Değişken Dağılımları")
+        for col in ['tenure', 'MonthlyCharges', 'TotalCharges']:
+            fig, ax = plt.subplots()
+            sns.histplot(df[col], kde=True, ax=ax)
+            st.pyplot(fig)
+
+    if st.checkbox("Kategorik Değişken Dağılımları"):
+        st.subheader("Kategorik Değişken Dağılımları")
+        for col in ['gender', 'SeniorCitizen', 'Partner', 'Dependents', 'PhoneService', 'MultipleLines',
+                    'InternetService', 'OnlineSecurity', 'OnlineBackup', 'DeviceProtection', 'TechSupport',
+                    'StreamingTV', 'StreamingMovies', 'Contract', 'PaperlessBilling', 'PaymentMethod', "Churn"]:
+            fig, ax = plt.subplots()
+            sns.countplot(x=col, data=df, ax=ax)
+            st.pyplot(fig)
+
+    if st.checkbox("Churn Dağılımı"):
+        st.subheader("Churn Dağılımı")
+        fig, ax = plt.subplots()
+        sns.countplot(x='Churn', data=df, ax=ax)
+        st.pyplot(fig)
+
+    if st.checkbox("Cinsiyete Göre Churn Dağılımı"):
+        st.subheader("Cinsiyete Göre Churn Dağılımı")
+        fig, ax = plt.subplots()
+        sns.countplot(x='gender', hue='Churn', data=df, ax=ax)
+        st.pyplot(fig)
+
+# --- Model ve Tahmin Sayfası ---
+elif page == "Model ve Tahmin":
+    st.header("Müşteri Kaybı Tahmini")
+    
     # Preprocess the data
-    df = data.copy()
-    df['TotalCharges'] = pd.to_numeric(df['TotalCharges'], errors='coerce')
-    df = df.dropna()
+    df_model = df.copy()
+    
+    
+    # TotalCharges sütununu sayısal yap ve eksik değerleri doldur
+    df_model['TotalCharges'] = pd.to_numeric(df_model['TotalCharges'], errors='coerce')
+    df_model['TotalCharges'].fillna(df_model['TotalCharges'].median(), inplace=True)
+
+    # Kategorik sütunları Label Encoding ile sayısal hale getir
     label_enc = LabelEncoder()
-    for col in df.select_dtypes(include=['object']).columns:
-        if col != 'customerID':
-            df[col] = label_enc.fit_transform(df[col])
-
-    X = df.drop(columns=['Churn', 'customerID'])
-    y = df['Churn']
+    for col in df_model.select_dtypes(include=['object']).columns:
+      if col != 'customerID':
+          df_model[col] = label_enc.fit_transform(df_model[col])
+    
+    # --- Kullanıcıdan girdi al ---
+
+    def user_input_features():
+      features = {}
+      col1, col2 = st.columns(2)
+      with col1:
+          features['gender'] = st.selectbox("Cinsiyet", df['gender'].unique())
+          features['SeniorCitizen'] = st.selectbox("Yaşlı Mı?", df['SeniorCitizen'].unique())
+          features['Partner'] = st.selectbox("Partneri Var Mı?", df['Partner'].unique())
+          features['Dependents'] = st.selectbox("Bağımlı Kişi Var Mı?", df['Dependents'].unique())
+          features['PhoneService'] = st.selectbox("Telefon Hizmeti Var Mı?", df['PhoneService'].unique())
+
+          # MultipleLines için özel durum (PhoneService'e göre seçenekleri güncelle)
+          if features['PhoneService'] == 'Yes':
+              features['MultipleLines'] = st.selectbox("Çoklu Hat Var Mı?", ['Yes', 'No'])
+          else:
+              features['MultipleLines'] = st.selectbox("Çoklu Hat Var Mı?", ['No phone service'])
+          
+          features['OnlineSecurity'] = st.selectbox("Çevrimiçi Güvenlik Var Mı?", df['OnlineSecurity'].unique())
+          features['OnlineBackup'] = st.selectbox("Çevrimiçi Yedekleme Var Mı?", df['OnlineBackup'].unique())
+
+      with col2:
+          features['DeviceProtection'] = st.selectbox("Cihaz Koruması Var Mı?", df['DeviceProtection'].unique())
+          features['TechSupport'] = st.selectbox("Teknik Destek Var Mı?", df['TechSupport'].unique())
+          features['StreamingTV'] = st.selectbox("TV Yayını Var Mı?", df['StreamingTV'].unique())
+          features['StreamingMovies'] = st.selectbox("Film Yayını Var Mı?", df['StreamingMovies'].unique())
+          features['Contract'] = st.selectbox("Sözleşme Türü", df['Contract'].unique())
+          features['PaperlessBilling'] = st.selectbox("Kağıtsız Fatura Var Mı?", df['PaperlessBilling'].unique())
+          features['PaymentMethod'] = st.selectbox("Ödeme Yöntemi", df['PaymentMethod'].unique())
+          features['tenure'] = st.slider("Müşteri Olma Süresi (Ay)", 0, 72, 12)
+          features['MonthlyCharges'] = st.slider("Aylık Ücret", 0, 150, 50)
+          features['TotalCharges'] = st.slider("Toplam Ücret", 0, int(df['TotalCharges'].max()), int(df['TotalCharges'].median()))
+
+      # InternetService'i sona ekle, çünkü diğer özelliklerin seçimine bağlı
+      features['InternetService'] = st.selectbox("İnternet Servisi", df['InternetService'].unique())
+      features["Churn"] = 0
+      return pd.DataFrame(features, index=[0])
+
+    input_df = user_input_features()
+
+    # --- Modeli Eğit ve Tahmin Yap ---
+
+    X = df_model.drop(columns=['Churn', 'customerID'])
+    y = df_model['Churn']
     X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
 
-    # Model training
     scaler = StandardScaler()
     X_train = scaler.fit_transform(X_train)
     X_test = scaler.transform(X_test)
-
+    
+    for col in input_df.select_dtypes(include=['object']).columns:
+      input_df[col] = input_df[col].astype(str) # Her ihtimale karşı, object tipindeki sütunları stringe çevir
+
+    for col in input_df.columns:
+      if input_df[col].dtype == object or input_df[col].dtype == str :
+          input_df[col] = pd.Categorical(input_df[col], categories=df[col].unique())
+          input_df[col] = input_df[col].cat.codes
+          
+    input_df = input_df.drop(columns=["Churn"])
+    input_df = scaler.transform(input_df)
+
+    # Modeli yükle
+    
     model = LogisticRegression()
-    model.fit(X_train, y_train)
-
-    # User input for prediction
-    st.write("### Input Customer Data for Prediction")
-    input_data = {col: st.text_input(col, "0") for col in X.columns}
-    if st.button("Predict"):
-        input_df = pd.DataFrame([input_data])
-        input_df = input_df.astype(float)
-        scaled_input = scaler.transform(input_df)
-        prediction = model.predict(scaled_input)
-        st.write("### Prediction: ", "Churn" if prediction[0] == 1 else "No Churn")
-
-    # Evaluation metrics
-    st.write("### Model Performance")
-    y_pred = model.predict(X_test)
-    st.text(classification_report(y_test, y_pred))
-
-    # Confusion matrix
-    st.write("### Confusion Matrix")
-    fig, ax = plt.subplots()
-    sns.heatmap(confusion_matrix(y_test, y_pred), annot=True, fmt='d', cmap='Blues', ax=ax)
-    st.pyplot(fig)
-
-    # ROC Curve
-    st.write("### ROC Curve")
-    y_prob = model.predict_proba(X_test)[:, 1]  # Probabilities for the positive class
-    fpr, tpr, thresholds = roc_curve(y_test, y_prob)
-    roc_auc = auc(fpr, tpr)
-
-    fig, ax = plt.subplots()
-    ax.plot(fpr, tpr, color='blue', lw=2, label=f"ROC Curve (AUC = {roc_auc:.2f})")
-    ax.plot([0, 1], [0, 1], color='red', lw=2, linestyle='--')
-    ax.set_xlabel("False Positive Rate")
-    ax.set_ylabel("True Positive Rate")
-    ax.set_title("Receiver Operating Characteristic (ROC) Curve")
-    ax.legend(loc="lower right")
-    st.pyplot(fig)
+    model.fit(X_train, y_train) # Modeli tekrar burada eğitiyoruz
+
+    if st.button('Tahmin Yap'):
+        prediction = model.predict(input_df)
+        prediction_proba = model.predict_proba(input_df)
+
+        st.subheader("Tahmin Sonucu:")
+        if prediction[0] == 0:
+            st.success("Bu müşterinin kayıp **OLMAYACAĞI** tahmin ediliyor. :thumbsup:")
+        else:
+            st.error("Bu müşterinin kayıp **OLACAĞI** tahmin ediliyor. :thumbsdown:")
+
+        st.subheader("Tahmin Olasılıkları:")
+        st.write(f"Kayıp Olmama Olasılığı: **{prediction_proba[0][0]:.2f}**")
+        st.write(f"Kayıp Olma Olasılığı: **{prediction_proba[0][1]:.2f}**")
+        
+        # --- Model Performansı ---
+        st.header("Model Performansı")
+        y_pred = model.predict(X_test)
+
+        st.subheader("Sınıflandırma Raporu")
+        st.text(classification_report(y_test, y_pred))
+
+        st.subheader("Karışıklık Matrisi")
+        fig, ax = plt.subplots()
+        sns.heatmap(confusion_matrix(y_test, y_pred), annot=True, fmt='d', cmap='Blues', ax=ax)
+        st.pyplot(fig)
+
+        st.subheader("ROC Eğrisi")
+        y_prob = model.predict_proba(X_test)[:, 1]
+        fpr, tpr, thresholds = roc_curve(y_test, y_prob)
+        roc_auc = auc(fpr, tpr)
+
+        fig, ax = plt.subplots()
+        ax.plot(fpr, tpr, color='blue', lw=2, label=f"ROC Curve (AUC = {roc_auc:.2f})")
+        ax.plot([0, 1], [0, 1], color='red', lw=2, linestyle='--')
+        ax.set_xlabel("False Positive Rate")
+        ax.set_ylabel("True Positive Rate")
+        ax.set_title("Receiver Operating Characteristic (ROC) Curve")
+        ax.legend(loc="lower right")
+        st.pyplot(fig)