App.py

app.py

@@ -0,0 +1,47 @@
+import gradio as gr
+import pandas as pd
+import lightgbm as lgb
+import unicodedata
+
+# 1. تحميل النموذج والبيانات
+train_data = pd.read_csv('train_90.csv')
+X_train = train_data.drop(columns=['price'])
+y_train = train_data['price']
+model = lgb.LGBMRegressor().fit(X_train, y_train)
+
+# 2. تعيينات القوائم المنسدلة
+property_types = ["شقة", "فيلا", "دور"]
+cities = ["الرياض", "جدة", "الدمام"]
+
+# 3. دالة التنبؤ
+def predict_price(city, district, property_type, area, rooms, bathrooms):
+    try:
+        input_data = pd.DataFrame([{
+            'city': city,
+            'district': district,
+            'property_type': property_type,
+            'area': float(area),
+            'rooms': int(rooms),
+            'bathrooms': int(bathrooms)
+        }])
+        prediction = model.predict(input_data)[0]
+        return f"السعر المتوقع: {round(prediction, 2):,} ريال"
+    except Exception as e:
+        return f"خطأ: {str(e)}"
+
+# 4. واجهة Gradio
+iface = gr.Interface(
+    fn=predict_price,
+    inputs=[
+        gr.Dropdown(cities, label="المدينة"),
+        gr.Textbox(label="الحي"),
+        gr.Dropdown(property_types, label="نوع العقار"),
+        gr.Number(label="المساحة (م²)"),
+        gr.Number(label="عدد الغرف"),
+        gr.Number(label="عدد الحمامات")
+    ],
+    outputs=gr.Textbox(label="النتيجة"),
+    title="تطبيق تقدير أسعار العقارات"
+)
+
+iface.launch()