Update app.py

app.py

@@ -8,66 +8,90 @@ from sklearn.compose import ColumnTransformer
 
 st.title("Ev Fiyatı Tahmin Uygulaması")
 
-# Adım 1: Veri Yükleme
-st.header("Adım 1: Veri Yükleyin")
-uploaded_file = st.file_uploader("CSV dosyasını buraya yükleyin", type=["csv"])
-
-if uploaded_file is not None:
-    data = pd.read_csv(uploaded_file)
-    st.write("Yüklenen Veri:", data.head())
-    st.write("Veri Setinin İstatistiksel Özeti:", data.describe())
-
-    # Adım 2: Veri Ön İşleme
-    st.header("Adım 2: Veri Ön İşleme")
-    features = st.multiselect("Özellikleri seçin", data.columns.tolist(), default=data.columns.tolist()[:-1])
-    target = st.selectbox("Hedefi seçin (Ev fiyatı gibi)", data.columns.tolist())
-
-    if len(features) > 0 and target:
-        X = data[features]
-        y = data[target]
-
-        # Eksik verileri kontrol et ve doldur
-        X = X.fillna(0)
-        y = y.fillna(y.mean())
-
-        # Kategorik sütunları işle
-        categorical_features = X.select_dtypes(include=['object', 'category']).columns
-        for col in categorical_features:
-            X[col] = X[col].fillna("Unknown")  # Eksik değerleri doldur
-
-        column_transformer = ColumnTransformer(
-            transformers=[
-                ('cat', OneHotEncoder(handle_unknown='ignore'), categorical_features)
-            ],
-            remainder='passthrough'
-        )
-
-        X = column_transformer.fit_transform(X)
-
-        # Veri bölme
-        X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
-
-        # Model eğitimi
-        model = LinearRegression()
-        model.fit(X_train, y_train)
-        
-        # Model değerlendirmesi
+# Adım 1: Veri Girişi (CSV yerine manuel giriş)
+st.header("Adım 1: Veri Girişi")
+
+# Kullanıcıdan özellik sayısını al
+num_features = st.number_input("Kaç özellik gireceksiniz?", min_value=1, value=5)
+
+# Özellik adlarını ve tiplerini belirle
+features_info = []
+for i in range(num_features):
+    col_name = st.text_input(f"Özellik {i+1} adını girin", f"Özellik_{i+1}")
+    col_type = st.selectbox(f"{col_name} tipini seçin", ["Sayısal", "Kategorik"], key=f"type_{i}")
+    features_info.append((col_name, col_type))
+
+# Hedef değişken adını al
+target = st.text_input("Hedef değişkenin (Ev fiyatı) adını girin", "Fiyat")
+
+# Veri girişi için boş bir DataFrame oluştur
+data = pd.DataFrame()
+
+# Kullanıcıdan veri girişi al
+st.subheader("Örnek Veri Girişi")
+for col_name, col_type in features_info:
+    if col_type == "Sayısal":
+        value = st.number_input(f"{col_name} değeri girin", key=f"val_{col_name}")
+    else:  # Kategorik
+        options = st.text_input(f"{col_name} için olası değerleri virgülle ayırarak girin (örn. A,B,C)", key=f"opt_{col_name}")
+        options_list = [option.strip() for option in options.split(',')]
+        value = st.selectbox(f"{col_name} seçin", options_list, key=f"sel_{col_name}")
+    data[col_name] = [value]
+
+# Hedef değişken için de giriş al
+target_value = st.number_input(f"{target} değeri girin", key="target_val")
+data[target] = [target_value]
+
+st.write("Girilen Veri:", data)
+
+# Adım 2: Veri Ön İşleme
+st.header("Adım 2: Veri Ön İşleme")
+
+if not data.empty:
+    X = data.drop(columns=[target])
+    y = data[target]
+
+    # Kategorik sütunları işle
+    categorical_features = [col_name for col_name, col_type in features_info if col_type == "Kategorik"]
+    column_transformer = ColumnTransformer(
+        transformers=[
+            ('cat', OneHotEncoder(handle_unknown='ignore'), categorical_features)
+        ],
+        remainder='passthrough'
+    )
+
+    X = column_transformer.fit_transform(X)
+
+    # Veri bölme (eğitim için daha fazla veri gerektiğinde burayı düzenleyebilirsiniz)
+    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
+
+    # Model eğitimi
+    model = LinearRegression()
+    model.fit(X_train, y_train)
+
+    # Model değerlendirmesi (yalnızca yeterli veri varsa)
+    if len(X_test) > 0:
         y_pred = model.predict(X_test)
         mse = mean_squared_error(y_test, y_pred)
         st.write(f"Ortalama Kare Hata (MSE): {mse:.2f}")
+    else:
+        st.write("Model değerlendirmesi için yeterli veri yok.")
+
+    # Adım 3: Tahmin Yapma
+    st.header("Adım 3: Tahmin Yapın")
+    user_input = []
+    for col_name, col_type in features_info:
+        if col_type == "Sayısal":
+            value = st.number_input(f"Tahmin için {col_name} değeri girin", value=0.0, key=f"pred_{col_name}")
+        else:
+            options = [option.strip() for option in st.session_state[f"opt_{col_name}"].split(',')]
+            value = st.selectbox(f"Tahmin için {col_name} seçin", options, key=f"pred_{col_name}")
+        user_input.append(value)
 
-        # Adım 3: Tahmin Yapma
-        st.header("Adım 3: Tahmin Yapın")
-        user_input = []
-        for feature in features:
-            if feature in categorical_features:
-                value = st.selectbox(f"{feature} seçimi yapın", data[feature].unique().tolist())
-            else:
-                value = st.number_input(f"{feature} değeri girin", value=0.0)
-            user_input.append(value)
-
-        if len(user_input) == len(features):
-            user_input_df = pd.DataFrame([user_input], columns=features)
-            user_input_processed = column_transformer.transform(user_input_df)
-            prediction = model.predict(user_input_processed)
-            st.write(f"Ev fiyatı tahmini: {prediction[0]:.2f}")
+    if len(user_input) == len(features_info):
+        user_input_df = pd.DataFrame([user_input], columns=[col_name for col_name, _ in features_info])
+        user_input_processed = column_transformer.transform(user_input_df)
+        prediction = model.predict(user_input_processed)
+        st.write(f"Ev fiyatı tahmini: {prediction[0]:.2f}")
+else:
+    st.write("Lütfen önce veri girişi yapın.")