add

app.py

@@ -0,0 +1,63 @@
+import gradio as gr
+import joblib
+import numpy as np
+
+# Cargar el modelo entrenado
+model = joblib.load('compra_o_no/shopper/final_pipe_less.pkl')
+
+# Descripción de las variables de entrada
+feature_descriptions = {
+	"PageValues": "Valor económico estimado de la visita (mayor valor, mayor probabilidad de compra)",
+	"ExitRates": "Porcentaje de veces que el usuario sale del sitio desde una página específica",
+	"ProductRelated_Duration": "Tiempo total (segundos) que el usuario pasó en páginas de productos",
+	"ProductRelated": "Cantidad de páginas de productos visitadas",
+	"BounceRates": "Porcentaje de sesiones de una sola página (rebote)",
+	"Administrative_Duration": "Tiempo total (segundos) en páginas administrativas (información, contacto, etc.)",
+	"Administrative": "Cantidad de páginas administrativas visitadas"
+}
+
+def predict_shopper(PageValues, ExitRates, ProductRelated_Duration, ProductRelated, BounceRates, Administrative_Duration, Administrative):
+	X = np.array([[PageValues, ExitRates, ProductRelated_Duration, ProductRelated, BounceRates, Administrative_Duration, Administrative]])
+	pred = model.predict(X)[0]
+	proba = model.predict_proba(X)[0][1]
+	if pred == 1:
+		result = f"✅ El cliente probablemente COMPRARÁ (confianza: {proba:.2%})"
+	else:
+		result = f"❌ El cliente probablemente NO comprará (confianza: {1-proba:.2%})"
+	return result
+
+description = """
+# 🛒 ¿Comprará tu cliente? - Demo Interactiva
+
+Imagina que eres dueño de una tienda online. ¿Te gustaría saber si un visitante va a comprar o no? Este modelo analiza el comportamiento del usuario y predice la probabilidad de compra usando variables clave:
+
+"""
+for k, v in feature_descriptions.items():
+	description += f"- **{k}**: {v}\n"
+description += """
+
+Completa los campos con los datos de un cliente y descubre la predicción. ¡Ideal para dueños de e-commerce, marketing y analítica!
+"""
+
+inputs = [
+	gr.Number(label="PageValues", info=feature_descriptions["PageValues"], value=0.0, minimum=0),
+	gr.Number(label="ExitRates", info=feature_descriptions["ExitRates"], value=0.0, minimum=0, maximum=1),
+	gr.Number(label="ProductRelated_Duration", info=feature_descriptions["ProductRelated_Duration"], value=0.0, minimum=0),
+	gr.Number(label="ProductRelated", info=feature_descriptions["ProductRelated"], value=0, minimum=0),
+	gr.Number(label="BounceRates", info=feature_descriptions["BounceRates"], value=0.0, minimum=0, maximum=1),
+	gr.Number(label="Administrative_Duration", info=feature_descriptions["Administrative_Duration"], value=0.0, minimum=0),
+	gr.Number(label="Administrative", info=feature_descriptions["Administrative"], value=0, minimum=0)
+]
+
+example = [2.5, 0.02, 120.0, 5, 0.01, 30.0, 1]
+
+gr.Interface(
+	fn=predict_shopper,
+	inputs=inputs,
+	outputs=gr.Textbox(label="Predicción"),
+	title="¿Comprará tu cliente?",
+	description=description,
+	examples=[example],
+	theme="soft",
+	allow_flagging="never"
+).launch()

final_pipe_less.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:4099b620f6cdc851f45fcdc73a4582e4b9c8fe3f1cb391e9c6986ced70d662d6
+size 4053063

requirements.txt

@@ -0,0 +1,4 @@
+gradio==4.26.0
+joblib
+scikit-learn
+numpy