ml_model.py

import pandas as pd
from sklearn.ensemble import RandomForestClassifier
import joblib
import os

# Nouveau nom pour forcer la création d'un modèle neuf
ML_MODEL_FILE = "ml_model_v9.pkl"

def prepare_ml_features(df):
    """
    Extrait la structure du marché (Market Structure).
    Les indicateurs (RSI, EMA, ATR) sont déjà calculés proprement par app.py !
    """
    df = df.copy()
    
    # 🎯 Target (Prédiction de la prochaine bougie)
    # Si la prochaine bougie (shift -1) ferme plus haut, on note 1 (Hausse), sinon 0
    df['target'] = (df['close'].shift(-1) > df['close']).astype(int)
    
    # Nettoyage : On supprime la toute dernière ligne car on ne connaît pas encore son "futur"
    df = df.dropna()
    
    # Les 7 piliers de la décision (Déjà existants dans le df)
    features = [
        "RSI", "Dist_High_24h", "Dist_Low_24h", 
        "EMA_dist", "EMA_slope", "ATR_ratio", "VOL_ratio"
    ]
    
    return df[features], df['target']

def train_model(df):
    """
    Entraîne le RandomForest avec une limitation stricte pour protéger la RAM.
    """
    print("🧠 [V9] Entraînement du Core ML (RandomForest) avec Market Structure...")
    X, y = prepare_ml_features(df)
    
    # Optimisation Quant pour CPU 2 cœurs / 4 threads
    model = RandomForestClassifier(
        n_estimators=100, 
        max_depth=5,       # Anti-overfitting + RAM light
        min_samples_split=10,
        n_jobs=-1,         # Utilise 100% du CPU dispo
        random_state=42
    )
    model.fit(X, y)
    
    joblib.dump(model, ML_MODEL_FILE)
    print("✅ [V9] Core ML sauvegardé ! (Spécialiste des Ranges)")
    return model

def load_model():
    if os.path.exists(ML_MODEL_FILE):
        return joblib.load(ML_MODEL_FILE)
    return None

def predict_prob(model, df):
    """
    Renvoie la probabilité (0 à 1) que la prochaine bougie soit verte.
    """
    features = [
        "RSI", "Dist_High_24h", "Dist_Low_24h", 
        "EMA_dist", "EMA_slope", "ATR_ratio", "VOL_ratio"
    ]
    
    # On isole la toute dernière ligne du marché
    last_row = df[features].iloc[[-1]]
    return model.predict_proba(last_row)[0][1]
import pandas as pd
from sklearn.ensemble import RandomForestClassifier
import joblib
import os

# Nouveau nom pour forcer la création d'un modèle neuf
ML_MODEL_FILE = "ml_model_v9.pkl"

def prepare_ml_features(df):
    """
    Extrait la structure du marché (Market Structure).
    Les indicateurs (RSI, EMA, ATR) sont déjà calculés proprement par app.py !
    """
    df = df.copy()
    
    # 🎯 Target (Prédiction de la prochaine bougie)
    # Si la prochaine bougie (shift -1) ferme plus haut, on note 1 (Hausse), sinon 0
    df['target'] = (df['close'].shift(-1) > df['close']).astype(int)
    
    # Nettoyage : On supprime la toute dernière ligne car on ne connaît pas encore son "futur"
    df = df.dropna()
    
    # Les 7 piliers de la décision (Déjà existants dans le df)
    features = [
        "RSI", "Dist_High_24h", "Dist_Low_24h", 
        "EMA_dist", "EMA_slope", "ATR_ratio", "VOL_ratio"
    ]
    
    return df[features], df['target']

def train_model(df):
    """
    Entraîne le RandomForest avec une limitation stricte pour protéger la RAM.
    """
    print("🧠 [V9] Entraînement du Core ML (RandomForest) avec Market Structure...")
    X, y = prepare_ml_features(df)
    
    # Optimisation Quant pour CPU 2 cœurs / 4 threads
    model = RandomForestClassifier(
        n_estimators=100, 
        max_depth=5,       # Anti-overfitting + RAM light
        min_samples_split=10,
        n_jobs=-1,         # Utilise 100% du CPU dispo
        random_state=42
    )
    model.fit(X, y)
    
    joblib.dump(model, ML_MODEL_FILE)
    print("✅ [V9] Core ML sauvegardé ! (Spécialiste des Ranges)")
    return model

def load_model():
    if os.path.exists(ML_MODEL_FILE):
        return joblib.load(ML_MODEL_FILE)
    return None

def predict_prob(model, df):
    """
    Renvoie la probabilité (0 à 1) que la prochaine bougie soit verte.
    """
    features = [
        "RSI", "Dist_High_24h", "Dist_Low_24h", 
        "EMA_dist", "EMA_slope", "ATR_ratio", "VOL_ratio"
    ]
    
    # On isole la toute dernière ligne du marché
    last_row = df[features].iloc[[-1]]
    return model.predict_proba(last_row)[0][1]