Update app.py

app.py

@@ -43,13 +43,11 @@ x_train, x_vt,y_train,y_vt = train_test_split(x,y , test_size = 0.2, random_stat
 # Splitter les données en val et test
 x_val, x_test, y_val, y_test = train_test_split(x_vt, y_vt, test_size = 0.5, random_state = 42)
 
-
-from sklearn.ensemble import GradientBoostingClassifier
-# Entrainer Gradient Boosting en utilisant les paramètres optimaux 'max_depth': 4, 'n_estimators': 80
-gb = GradientBoostingClassifier(max_depth = 5, n_estimators = 60)
+from sklearn.ensemble import RandomForestClassifier
+# Entrainer Random Forest en utilisant les paramètres optimaux 'criterion': 'entropy', 'max_depth': 14, 'n_estimators': 40
+rf = RandomForestClassifier(criterion =  'gini', max_depth =  10, n_estimators = 70)
 # Entrainement
-gb.fit(x_train, y_train)
-
+rf.fit(x_train, y_train)
 
 # importer gradio
 import gradio as gr
@@ -64,7 +62,7 @@ def Pred_func(prix,	adresse,	marque,	dim_ecr,	ram,	stockage):
   # Normaliser les données
   x_new = scaler.transform(x_new)
   # Prédire
-  y_pred = gb.predict(x_new)
+  y_pred = rf.predict(x_new)
   # Décoder la valeur prédite pour 'etat'
   y_pred_decoded = encoder2.inverse_transform([y_pred[0]])[0]  # Décoder la valeur encodée
   return str(y_pred_decoded)
@@ -84,7 +82,7 @@ def Pred_func_csv(file):
     # Normaliser les données
     new_row = scaler.transform(new_row)
     # Prédire
-    y_pred = gb.predict(new_row)
+    y_pred = rf.predict(new_row)
      # Décoder la valeur prédite pour 'etat'
     y_pred_decoded = encoder2.inverse_transform([y_pred[0]])[0]  # Décoder la valeur encodée
     predictions.append(y_pred_decoded) # Ajouter la prédiction à la liste