Delete app.py

app.py

@@ -1,155 +0,0 @@
-# -*- coding: utf-8 -*-
-"""Copie de Untitled4.ipynb
-
-Automatically generated by Colab.
-
-Original file is located at
-    https://colab.research.google.com/drive/1S1GQ3V9KA8SZTVhyRe-esQ-y16vp_D7j
-"""
-
-#Importer les packages
-import numpy as np
-import gradio as gr
-import pandas as pd
-
-data = pd.read_csv('Telephone_data___.csv')
-df = pd.read_csv('data_prep.csv')
-
-# Encoder les variables catégorielles
-from sklearn.preprocessing import LabelEncoder
-# Créer différents encodeurs pour les variables catégorielles
-encoder0 = LabelEncoder()
-encoder1 = LabelEncoder()
-encoder2 = LabelEncoder()
-encoders = [encoder0, encoder1, encoder2]
-columns = [col for col in data.columns if data[col].dtype == 'object']
-for i in range(len(columns)):
-  encoders[i].fit(data[columns[i]]) # le modèle prend le temps de reconnaitre les classes
-# Fractionner les données
-x= df.drop('etat', axis = 1).values # variables prédicteurs
-y = df['etat'].values # variable cible
-
-# importer StandardScaler
-from sklearn.preprocessing import StandardScaler, MinMaxScaler, normalize
-# Instancier StandardScaler
-scaler = StandardScaler()
-scaler.fit(x) # calcul de la moyenne et de l'écart type
-x = scaler.transform(x) # normalisation
-
-
-from sklearn.model_selection import train_test_split
-# Splitter les données en train, val et test
-x_train, x_vt,y_train,y_vt = train_test_split(x,y , test_size = 0.2, random_state = 42)
-# 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)
-# Entrainement
-gb.fit(x_train, y_train)
-
-
-# Importer gradio
-import gradio as gr
-import numpy as np
-
-# Fonction de prédiction avec vérifications
-def Pred_func(prix, adresse, marque, dim_ecr, ram, stockage):
-    try:
-        # Encoder les valeurs des variables adresse et marque
-        Adresse = encoder0.transform([adresse])[0]  # Transformer et récupérer la première valeur
-        Marque = encoder1.transform([marque])[0]
-
-        # Affichage pour vérifier les encodages
-        print(f"Encodage Adresse: {Adresse}, Marque: {Marque}")
-
-        # Vecteur des valeurs numériques avec les variables encodées
-        x_new = np.array([prix, Adresse, Marque, dim_ecr, ram, stockage])
-        x_new = x_new.reshape(1, -1)  # Convertir en un tableau 2D
-
-        # Vérifier la forme des données d'entrée
-        print(f"Forme des données d'entrée: {x_new.shape}")
-
-        # Normaliser les données
-        x_new = scaler.transform(x_new)
-
-        # Prédire la variable cible 'etat' avec le modèle gb
-        y_pred = gb.predict(x_new)
-
-        # Vérifier la forme et la valeur de la prédiction
-        print(f"Prédiction encodée: {y_pred}")
-
-        # Décoder la valeur prédite pour 'etat'
-        y_pred_decoded = encoder2.inverse_transform([y_pred[0]])[0]  # Décoder la valeur encodée
-
-        # Afficher la valeur décodée
-        print(f"Prédiction décodée: {y_pred_decoded}")
-
-        return str(y_pred_decoded)
-
-    except Exception as e:
-        # Afficher l'erreur pour diagnostiquer le problème
-        print(f"Erreur rencontrée: {str(e)}")
-        return f"Erreur lors de la prédiction: {str(e)}"
-
-
-        # Fonction de prédiction multiple
-def Pred_func_csv(file):
-  # Lire le fichier csv
-  df = pd.read_csv(file)
-  # prédictions
-  predictions = []
-  # Boucle sur les lignes du dataframe
-  for row in df.iloc[:, :].values:
-    # nouvelle ligne avec les valeurs des Fuel_Type, Seller_Type et Transmission encodées
-    new_row = np.array([row[0], row[1], encoder0.transform([row[2]])[0], encoder1.transform([row[3]])[0]])
-    new_row = new_row.reshape(1,-1) # convertir en un 2D array
-    # Normaliser les données
-    new_row = scaler.transform(new_row)
-    # Prédire
-    y_pred = gb.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
-  df['etat'] = predictions
-  df.to_csv('predictions.csv', index = False)
-  return 'predictions.csv'
-
-  # définir les blocks afin de pouvoir ajouter plusieurs interfaces
-demo = gr.Blocks(theme = gr.themes.Glass())
-
-# autres themes
-#gr.themes.Base() gr.themes.Default() gr.themes.Glass() gr.themes.Monochrome() gr.themes.Soft()
-
-
-# Interface Gradio pour interagir avec la fonction
-interface1 = gr.Interface(
-    fn=Pred_func,  # Fonction à appeler
-    inputs=[
-        gr.Number(label="prix"),
-        gr.Dropdown(choices= list(np.unique(data.adresse)), label='Adresse'), # on utilise list pour bcp de valeur
-        gr.Dropdown(choices= list(np.unique(data.marque)), label='Marque'), # on utilise list pour bcp de valeur
-        gr.Number(label="Dimension de l'écran"),
-        gr.Number(label="RAM (Go)"),
-        gr.Number(label="Stockage (Go)")
-    ],
-    outputs="text",  # Sortie sous forme de texte
-    title="Prédiction de l'état d'un Téléphone portable",  # Titre de l'interface
-)
-# Créer l'interface 2 permettant de faire une prédiction multiple en partant d'un fichier csv
-interface2 = gr.Interface(fn = Pred_func_csv,
-                         inputs = gr.File(label='Upload a csv file'),
-                          outputs = gr.File(label='Download a csv file'),
-                         title="Predict the selling price of a car with a multiple inputs",
-                         description = """This machine learning model allows us to predict the selling price of a car
-                         from the kms driven, present price, fuel type, seller type, transmission and age of the car.
-                         """)
-
-# faire un tabbing (regrouper en onglet) des interfaces
-with demo:
-  gr.TabbedInterface([interface1, interface2], ['Simple Prediction', 'Prédiction multiple'])
-
-# lancer l'interface
-demo.launch(share = True)