Upload 2 files

app.py

@@ -1,3 +1,4 @@
+
 import gradio as gr
 import numpy as np
 import matplotlib.pyplot as plt
@@ -18,6 +19,30 @@ Dat doen we met *supervised learning*: het model ziet voorbeelden `(BMI → scor
 > Let op: in deze sklearn-dataset is BMI **genormaliseerd** (geschaald). De helling `w` geeft wel de **richting en sterkte** aan (positief = hogere BMI hangt samen met hogere score).
 """
 
+STORY_MD = r"""
+### Waarom kijken we naar BMI en diabetes?
+Stel je voor dat je arts wilt begrijpen of **het gewicht van mensen** (uitgedrukt als *Body Mass Index*, BMI)
+iets zegt over hun **gezondheid**. Een van de dingen die onderzocht wordt is het verband tussen BMI en de
+**ernst van diabetes**.
+
+We gebruiken hier **echte gegevens** uit een medische dataset (dus **geen foto’s**, maar gemeten waarden van mensen
+die in een onderzoek hebben meegedaan). Elke deelnemer heeft:
+
+- een **BMI-waarde** (hoe zwaar of licht iemand is ten opzichte van zijn lengte),  
+- en een **score** die aangeeft hoe ernstig de diabetes bij die persoon verloopt.
+
+Met lineaire regressie testen we: *kunnen we een lijn tekenen die laat zien of een hogere BMI vaak samenvalt met een
+hogere (of juist lagere) score?*
+
+**Waarom is dat belangrijk?**
+- Als er wél een duidelijk verband is, kan dit helpen om **risico’s eerder te signaleren**.  
+- Als er géén verband is, leren we dat BMI misschien niet de juiste voorspeller is en moet er verder gekeken worden
+  naar andere factoren.
+
+Kortom: dit experiment laat je zien hoe data ons kan helpen om **patronen in gezondheid** te ontdekken — en dat doen
+we hier stap voor stap, live op je scherm.
+"""
+
 def load_bmi_diabetes():
     d = datasets.load_diabetes()
     X = d.data[:, 2]  # BMI feature (genormaliseerd)
@@ -83,7 +108,7 @@ def sgd_train_generator(lr, epochs, batch_size, seed, split_seed):
         ax1.scatter(x_te, y_te, alpha=0.8, s=22, marker="x", label="test")
         xs = np.linspace(x_min, x_max, 200)
         ax1.plot(xs, w * xs + b, linewidth=2, label="model")
-        ax1.set_title(f"{label} — Epoch {epoch}/{epochs}")
+        ax1.set_title(f"{{label}} — Epoch {{epoch}}/{{epochs}}")
         ax1.set_xlabel("BMI (genormaliseerd)")
         ax1.set_ylabel("Progressiescore")
         ax1.legend()
@@ -106,9 +131,9 @@ def sgd_train_generator(lr, epochs, batch_size, seed, split_seed):
         verdict = "positief" if w >= 0 else "negatief"
         summary = (
             f"**Wat levert dit op?**\n"
-            f"- Huidige regressielijn: `y = {w:.4f} * x + {b:.4f}`\n"
-            f"- Train MSE: `{mse_tr:.2f}` — Test MSE: `{mse_te:.2f}` — Test R²: `{r2_te:.3f}`\n"
-            f"- Interpretatie: het verband tussen BMI en progressiescore is **{verdict}** in deze dataset "
+            f"- Huidige regressielijn: `y = {{w:.4f}} * x + {{b:.4f}}`\n"
+            f"- Train MSE: `{{mse_tr:.2f}}` — Test MSE: `{{mse_te:.2f}}` — Test R²: `{{r2_te:.3f}}`\n"
+            f"- Interpretatie: het verband tussen BMI en progressiescore is **{{verdict}}** in deze dataset "
             f"(hogere BMI hangt samen met hogere score als `w > 0`)."
         )
 
@@ -126,6 +151,7 @@ with gr.Blocks(title="Diabetes: BMI → Progressiescore (Live Regressie)") as de
             seed = gr.Slider(0, 9999, value=42, step=1, label="Training seed")
             split_seed = gr.Slider(0, 9999, value=7, step=1, label="Train/test split seed")
             train_btn = gr.Button("Train live")
+            story = gr.Markdown(STORY_MD)  # story directly under the button
         with gr.Column(scale=2):
             plot_main = gr.Plot(label="Data (train/test) & regressielijn (live)")
             plot_loss = gr.Plot(label="Loss-curve (MSE per epoch) — train vs test")