Update app.py

app.py

@@ -1,99 +1,55 @@
-import pandas as pd
-from sklearn.model_selection import train_test_split
-from sklearn.linear_model import LogisticRegression
-from sklearn.ensemble import RandomForestClassifier
-from sklearn.metrics import classification_report
 import gradio as gr
 
-# Sabit CSV dosya yolu
-CSV_FILE_PATH = "payment_fraud.csv"  # DOSYA ADI GÜNCELLENDİ
-
-# Veri setini yükleme ve ön işleme fonksiyonu
-def load_and_preprocess():
-    try:
-        data = pd.read_csv(CSV_FILE_PATH)
-        data["type"] = data["type"].map({"CASH_OUT": 1, "PAYMENT": 2, "CASH_IN": 3, "TRANSFER": 4, "DEBIT": 5})
-        data["isFraud"] = data["isFraud"].map({0: "No Fraud", 1: "Fraud"})
-
-        # Sahtekarlık oranını hesapla
-        fraud_rate = (data["isFraud"].value_counts(normalize=True) * 100).get("Fraud", 0)
-
-        return data, fraud_rate
-    except FileNotFoundError:
-        print(f"Hata: {CSV_FILE_PATH} dosyası bulunamadı!")
-        return None, 0  # Hata durumunda fraud_rate 0 olarak döner
-
-# Modeli eğitme ve değerlendirme fonksiyonu
-def train_and_evaluate(data):
-    if data is None:
-        return None, None, "Veri yükleme hatası nedeniyle model eğitilemedi."
-
-    x = data[["type", "amount", "oldbalanceOrg", "newbalanceOrig"]].values
-    y = data[["isFraud"]].values
-    xtrain, xtest, ytrain, ytest = train_test_split(x, y, test_size=0.10, random_state=42)
-
-    # Logistic Regression Modeli
-    model_lr = LogisticRegression()
-    model_lr.fit(xtrain, ytrain.ravel())
-    y_pred_lr = model_lr.predict(xtest)
-    report_lr = classification_report(ytest, y_pred_lr)
-
-    # Random Forest Modeli
-    model_rf = RandomForestClassifier()
-    model_rf.fit(xtrain, ytrain.ravel())
-    y_pred_rf = model_rf.predict(xtest)
-    report_rf = classification_report(ytest, y_pred_rf)
-
-    return model_lr, model_rf, report_lr, report_rf
-
-# Sahtekarlık tespiti ve olasılık hesabı
-def fraud_detection(models, type, amount, oldbalanceOrg, newbalanceOrig):
-    model_lr, model_rf = models
-    if model_lr is None or model_rf is None:
-        return "Model eğitilemediği için tahmin yapılamıyor."
-
-    features = [[type, amount, oldbalanceOrg, newbalanceOrig]]
-
-    # Logistic Regression tahmini
-    prediction_lr = model_lr.predict(features)[0]
-    probability_lr = model_lr.predict_proba(features)[0][1] if hasattr(model_lr, "predict_proba") else "N/A"
-
-    # Random Forest tahmini
-    prediction_rf = model_rf.predict(features)[0]
-    probability_rf = model_rf.predict_proba(features)[0][1] if hasattr(model_rf, "predict_proba") else "N/A"
-
-    return f"Logistic Regression: {prediction_lr} (Olasılık: {probability_lr})\nRandom Forest: {prediction_rf} (Olasılık: {probability_rf})"
-
-# Gradio Arayüzü
-def analyze_and_predict(type, amount, oldbalanceOrg, newbalanceOrig):
-    data, fraud_rate = load_and_preprocess()
-    model_lr, model_rf, report_lr, report_rf = train_and_evaluate(data)
-
-    # Analiz sonuçları
-    analysis_results = f"Logistic Regression Raporu:\n{report_lr}\n\nRandom Forest Raporu:\n{report_rf}\n\nSahtekarlık Oranı: {fraud_rate:.2f}%"
-
-    # Tahmin Sonucu
-    prediction_result = fraud_detection((model_lr, model_rf), type, amount, oldbalanceOrg, newbalanceOrig)
-
-    return analysis_results, prediction_result
-
-# Gradio Arayüzü
-with gr.Blocks() as demo:
-    with gr.Row():
-        with gr.Column():
-            type = gr.Dropdown(label="İşlem Türü", choices=[("CASH_OUT", 1), ("PAYMENT", 2), ("CASH_IN", 3), ("TRANSFER", 4), ("DEBIT", 5)], type="value")
-            amount = gr.Number(label="İşlem Miktarı")
-            oldbalanceOrg = gr.Number(label="Gönderen Eski Bakiye")
-            newbalanceOrig = gr.Number(label="Gönderen Yeni Bakiye")
-            predict_button = gr.Button("Analiz Et ve Tahmin Yap")
-        with gr.Column():
-            analysis_output = gr.Textbox(label="Analiz Sonuçları", lines=5)
-            prediction_output = gr.Textbox(label="Tahmin Sonucu")
-
-    predict_button.click(
-        fn=analyze_and_predict,
-        inputs=[type, amount, oldbalanceOrg, newbalanceOrig],
-        outputs=[analysis_output, prediction_output]
+# Gradio Arayüzü Fonksiyonu
+def fraud_detection(accountAgeDays, numItems, localTime, paymentMethod, paymentMethodAgeDays):
+    # Öznitelikleri DataFrame'e dönüştürme
+    input_data = pd.DataFrame({
+        'accountAgeDays': [accountAgeDays],
+        'numItems': [numItems],
+        'localTime': [localTime],
+        'paymentMethod': [paymentMethod],
+        'paymentMethodAgeDays': [paymentMethodAgeDays]
+    })
+
+    # Kategorik sütunları one-hot kodlama ile dönüştürme
+    encoded_data = encoder.transform(input_data[categorical_cols])
+    encoded_df = pd.DataFrame(
+        encoded_data,
+        columns=encoder.get_feature_names_out(categorical_cols)
+    )
+    input_data = input_data.drop(categorical_cols, axis=1)
+    input_data = pd.concat(
+        [input_data.reset_index(drop=True), encoded_df.reset_index(drop=True)],
+        axis=1
     )
 
-demo.launch(debug=True, share=True)
+    # Eksik değerleri doldurma
+    input_data = imputer.transform(input_data)
+
+    # Tahminleri yapma
+    logreg_prediction = logreg_model.predict(input_data)[0]
+    rf_prediction = rf_model.predict(input_data)[0]
+
+    # Sonuçları formatlama
+    logreg_result = "Şüpheli İşlem" if logreg_prediction == 0 else "Normal"
+    rf_result = "Şüpheli İşlem" if rf_prediction == 0 else "Normal"
+
+    return f"Logistic Regression: {logreg_result}\nRandom Forest: {rf_result}"
+
+# Gradio Arayüzünü Oluşturma
+iface = gr.Interface(
+    fn=fraud_detection,
+    inputs=[
+        gr.Number(label="Hesap Yaşı (Gün)"),
+        gr.Number(label="Ürün Sayısı"),
+        gr.Number(label="Yerel Saat (4.44 gibi)"),
+        gr.Dropdown(label="Ödeme Yöntemi", choices=["creditcard", "paypal", "storecredit", "UNKNOWN"]),
+        gr.Number(label="Ödeme Yöntemi Yaşı (Gün)"),
+    ],
+    outputs=gr.Textbox(label="Tahmin Sonuçları"),
+    title="Ödeme Sahtekarlığı Tespit Sistemi",
+    description="Gerekli bilgileri girerek işlemin sahte olup olmadığını tahmin edin.",
+)
+
+# Arayüzü Başlatma
+iface.launch(debug=True, share=True)