Upload 2 files

app.py

@@ -28,14 +28,14 @@ iets zegt over hun **gezondheid**. Een van de dingen die onderzocht wordt is het
 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),  
+- 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 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.
 
@@ -43,6 +43,13 @@ Kortom: dit experiment laat je zien hoe data ons kan helpen om **patronen in gez
 we hier stap voor stap, live op je scherm.
 """
 
+CONCLUSION_MD = r"""
+# **Conclusie**
+
+Mensen met een hogere **BMI** hebben in dit onderzoek gemiddeld vaker een ernstiger verloop van **diabetes**.  
+Maar **BMI is niet de enige factor** — leeftijd, erfelijkheid, leefstijl en andere medische waarden spelen ook mee.
+"""
+
 def load_bmi_diabetes():
     d = datasets.load_diabetes()
     X = d.data[:, 2]  # BMI feature (genormaliseerd)
@@ -67,8 +74,7 @@ def sgd_train_generator(lr, epochs, batch_size, seed, split_seed):
     w, b = 0.0, 0.0
 
     x_min, x_max = float(np.min(x)), float(np.max(x))
-    train_losses = []
-    test_losses = []
+    train_losses, test_losses = [], []
 
     rng = np.random.RandomState(int(seed))
 
@@ -108,7 +114,7 @@ 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()
@@ -127,14 +133,15 @@ def sgd_train_generator(lr, epochs, batch_size, seed, split_seed):
         ax2.grid(True, linestyle=":", linewidth=0.6)
         plt.tight_layout()
 
-        # Plain-language results
+        # Resultaten + opvallende conclusie
         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"(hogere BMI hangt samen met hogere score als `w > 0`)."
+            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`).\n\n"
+            f"{CONCLUSION_MD}"
         )
 
         yield fig_main, fig_loss, summary
@@ -151,20 +158,21 @@ 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
+            # Story direct onder de knop
+            gr.Markdown(STORY_MD)
         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")
             results = gr.Markdown()
 
-    # Button-triggered training
+    # Training starten via knop
     train_btn.click(
         fn=sgd_train_generator,
         inputs=[lr, epochs, batch, seed, split_seed],
         outputs=[plot_main, plot_loss, results]
     )
 
-    # Auto-train on load with defaults
+    # Auto-train bij laden met default-waarden
     demo.load(
         fn=sgd_train_generator,
         inputs=[lr, epochs, batch, seed, split_seed],