Upload 2 files

titanic_model.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:84aa5b5513c063ef2d782c50fc763056b1eb8d5b408be763ff4f249d08e10342
+size 34683

titanic_prediction_api.py

@@ -0,0 +1,206 @@
+# -*- coding: utf-8 -*-
+"""Titanic Prediction API.ipynb
+
+Automatically generated by Colab.
+
+Original file is located at
+    https://colab.research.google.com/drive/1LI8plf1ij77jYk8LUV0j-jw3ktr3DkCS
+"""
+
+!pip install fastapi uvicorn
+
+"""Installer et configurer le token ngrok"""
+
+!pip install pyngrok
+!ngrok authtoken 2KEmulzOzABtZxb1pHULmIVC21k_5F4nAYQBQjgHvAz2FgcRx
+
+"""Chargement des données
+
+"""
+
+import pandas as pd
+import joblib
+# Charger le dataset Titanic
+url = "https://web.stanford.edu/class/archive/cs/cs109/cs109.1166/stuff/titanic.csv"
+titanic_data = pd.read_csv(url)
+
+# Afficher les premières lignes du dataset
+print(titanic_data.head())
+
+"""Exploration et Préparation des données"""
+
+import numpy as np
+import matplotlib.pyplot as plt
+import seaborn as sns
+import pandas as pd
+
+# Charger le dataset Titanic
+url = "https://web.stanford.edu/class/archive/cs/cs109/cs109.1166/stuff/titanic.csv"
+titanic_data = pd.read_csv(url)
+
+# Analyse des données
+print(titanic_data.info())
+print(titanic_data.describe())
+
+# Traitement des valeurs manquantes pour 'Age' (si elles existent)
+if 'Age' in titanic_data.columns:
+    titanic_data['Age'].fillna(titanic_data['Age'].median(), inplace=True)
+
+# Traitement des valeurs manquantes pour 'Embarked' (si elle existe)
+if 'Embarked' in titanic_data.columns:
+    titanic_data['Embarked'].fillna(titanic_data['Embarked'].mode()[0], inplace=True)
+
+# Encodage des variables catégorielles (si elles existent)
+if 'Sex' in titanic_data.columns:
+    titanic_data = pd.get_dummies(titanic_data, columns=['Sex'], drop_first=True)
+if 'Embarked' in titanic_data.columns:
+    titanic_data = pd.get_dummies(titanic_data, columns=['Embarked'], drop_first=True)
+
+# Suppression des colonnes inutiles (si elles existent)
+columns_to_drop = ['Name', 'Ticket', 'Cabin']
+for column in columns_to_drop:
+    if column in titanic_data.columns:
+        titanic_data.drop(column, axis=1, inplace=True)
+
+# Afficher les premières lignes du DataFrame nettoyé
+print(titanic_data.head())
+
+"""Modélisation"""
+
+from sklearn.model_selection import train_test_split
+from sklearn.linear_model import LogisticRegression
+from sklearn.ensemble import RandomForestClassifier
+from sklearn.svm import SVC
+
+# Séparation des caractéristiques et de la cible
+X = titanic_data.drop('Survived', axis=1)
+y = titanic_data['Survived']
+
+# Division en ensembles d'entraînement et de test
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
+
+# Entraînement de différents modèles
+models = {
+    'Logistic Regression': LogisticRegression(),
+    'Random Forest': RandomForestClassifier(),
+    'Support Vector Machine': SVC()
+}
+
+for name, model in models.items():
+    model.fit(X_train, y_train)
+    score = model.score(X_test, y_test)
+    print(f"{name} Accuracy: {score:.2f}")
+
+    # Enregistrer le modèle
+joblib.dump(model, 'titanic_model.pkl')
+
+"""Évaluation des modèles"""
+
+from sklearn.metrics import classification_report, confusion_matrix
+
+# Sélection du meilleur modèle (par exemple, Random Forest)
+best_model = models['Random Forest']
+y_pred = best_model.predict(X_test)
+
+# Rapport de classification
+print(classification_report(y_test, y_pred))
+
+# Matrice de confusion
+conf_matrix = confusion_matrix(y_test, y_pred)
+sns.heatmap(conf_matrix, annot=True, fmt='d', cmap='Blues')
+plt.xlabel('Prédiction')
+plt.ylabel('Réalité')
+plt.show()
+
+"""Déploiement"""
+
+import joblib
+
+# Enregistrer le modèle
+joblib.dump(best_model, 'titanic_model.pkl')
+
+"""Créer une API avec FastAPI"""
+
+from fastapi import FastAPI
+import joblib
+import pandas as pd
+
+app = FastAPI()
+
+# Charger le modèle
+model = joblib.load('titanic_model.pkl')
+
+@app.post("/predict")
+def predict(data: dict):
+    df = pd.DataFrame([data])
+    prediction = model.predict(df)
+    return {"prediction": int(prediction[0])}
+
+"""Utilisation de ngrok
+
+Mise à jour du schéma de la requête
+"""
+
+from pydantic import BaseModel
+
+class Passenger(BaseModel):
+    Pclass: int
+    Sex_male: int
+    Age: float
+    Siblings_Spouses_Aboard: int
+    Parents_Children_Aboard: int
+    Fare: float
+
+@app.post("/predict")
+def predict(data: Passenger):
+    df = pd.DataFrame([data.dict()])
+    prediction = model.predict(df)
+    return {"prediction": int(prediction[0])}
+
+!pip install fastapi uvicorn nest-asyncio pyngrok
+
+# Importer les modules nécessaires
+import nest_asyncio
+from pyngrok import ngrok
+import uvicorn
+from fastapi import FastAPI
+from pydantic import BaseModel
+import joblib
+import pandas as pd
+
+# Appliquer nest_asyncio pour éviter les erreurs liées aux boucles d'événements
+nest_asyncio.apply()
+
+# Créer une instance FastAPI
+app = FastAPI()
+
+# Charger le modèle
+model = joblib.load('titanic_model.pkl')
+
+# Classe Pydantic pour le schéma de la requête
+class Passenger(BaseModel):
+    Pclass: int
+    Sex_male: int
+    Age: float
+    Siblings_Spouses_Aboard: int
+    Parents_Children_Aboard: int
+    Fare: float
+
+# Route de base pour vérifier le bon fonctionnement
+@app.get("/")
+def read_root():
+    return {"message": "Welcome to the Titanic prediction API!"}
+
+# Route pour les prédictions
+@app.post("/predict")
+def predict(data: Passenger):
+    df = pd.DataFrame([data.dict()])
+    prediction = model.predict(df)
+    return {"prediction": int(prediction[0])}
+
+# Configurer et démarrer ngrok
+ngrok_tunnel = ngrok.connect(8000)
+print('Public URL:', ngrok_tunnel.public_url)
+
+# Démarrer le serveur Uvicorn
+uvicorn.run(app, host='0.0.0.0', port=8000)