Upload 5 files

LabelEncoder_adress.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:fc8cee208165c874bc13c3596bb9f1196626a5914770a8b5a9df56d1e9b393f7
+size 12960090

LabelEncoder_city.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:0f31f870a9b899761525f3e0dfc5613bee0511d6ba149fdb154a6387411b86b0
+size 683431

model.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:5714fd218000fc20481039e8eb332ddd904987e9dd8b1221cb72edd5885a5012
+size 3304964409

predict_page.py

@@ -0,0 +1,79 @@
+import streamlit as st
+import pandas as pd
+import joblib
+import numpy as np
+import ast
+
+
+
+# Charger le modèle pré-entraîné
+model = joblib.load("model.pkl")
+# To load the encoder from the file
+le_for_adres =joblib.load('LabelEncoder_adress.pkl')
+le_for_city =joblib.load('LabelEncoder_city.pkl')
+df = pd.read_excel("resultat.xlsx")  
+df = df.reset_index(drop=True)
+
+villes = df['nom_commune'].unique()
+
+# Créer une interface utilisateur Streamlit
+st.title("Prédiction de la valeur foncière d'un bien immobilier")
+st.write("Bienvenue dans notre outil de prédiction de la valeur foncière.")
+
+# Formulaire pour saisir les caractéristiques du bien immobilier
+st.header("Caractéristiques du bien immobilier necessaires pour la prédiction")
+
+nom_commune = st.selectbox("Sélectionnez une ville", villes)
+adresse_nom_voie_options = df[df['nom_commune'] == nom_commune]['adresse_nom_voie'].to_list()
+
+adresse_nom_voie = st.selectbox("Sélectionnez une adresse", ast.literal_eval(adresse_nom_voie_options[0]))
+
+#adresse_nom_voie = st.text_input("Adresse Nom Voie",value='RUE DE LA CHARPINE')
+adresse_numero = st.number_input("Numéro de l'adresse", value=843)
+code_postal = st.number_input("Code postal", value=1000)
+type_local = st.selectbox("Type de local", ['Maison', 'Appartement'])
+surface_reelle_bati = st.number_input("Surface", value=0)
+nombre_pieces_principales = st.number_input("Nombre de pièces principales", value=0, step=1)
+
+
+
+st.header("Information optionnelle ")
+constructionYear = st.number_input("Année de construction", value=2017)
+print("bbbbb")
+# Bouton pour effectuer la prédiction
+if st.button("Prédire la valeur foncière"):
+    
+    df = pd.DataFrame({
+        'adresse_nom_voie': [adresse_nom_voie],
+        'adresse_numero': [adresse_numero],
+        'nom_commune': [nom_commune],
+        'code_postal': [code_postal],
+        'surface_reelle_bati': [surface_reelle_bati],
+        'nombre_pieces_principales': [nombre_pieces_principales],
+        'constructionYear': [constructionYear],
+        'type_local': [type_local],
+ 
+    })
+
+
+    df['type_local'] = df['type_local'].replace({"Appartement": 1, "Maison": 2})
+    df['nom_commune']=le_for_city.transform( df['nom_commune'])
+    df['adresse_nom_voie'] = le_for_adres.transform(df['adresse_nom_voie'])
+  
+    
+    
+
+    # Reset the indices of both DataFrames
+    
+
+    
+    
+    X_test = df.values
+    
+    prediction = model.predict(X_test)
+    #prediction = np.expm1( model.predict(X_test, num_iteration=model.best_iteration)) 
+    
+    st.subheader("Résultat de la prédiction")
+    st.write(f"La valeur foncière prédite est : { int(prediction[0])} euros")
+
+# Astuce : Vous pouvez personnaliser davantage votre interface utilisateur Streamlit en ajoutant des graphiques, des informations supplémentaires, etc.

requirements.txt

@@ -0,0 +1,6 @@
+streamlit
+pandas
+joblib
+numpy
+scikit-learn
+lightgbm