Create modele.py

modele.py

@@ -0,0 +1,65 @@
+from joblib import dump
+import pandas as pd
+import os
+from sklearn.ensemble import RandomForestClassifier
+
+def save_model():
+    print("Chargement des données...")
+    try:
+        # Charger les données
+        finaldata = pd.read_excel("final_data.xlsx")
+        finaldata.rename(columns={'IMC Calculé': 'IMC_Calcule', 'Ménage': 'Menage'}, inplace=True)
+    except FileNotFoundError:
+        print("Erreur : le fichier de données n'a pas été trouvé.")
+        return
+    except Exception as e:
+        print(f"Erreur lors du chargement des données : {e}")
+        return
+
+    print("Données chargées, réduction de la dimension de la base de données...")
+    try:
+        # Réduire la dimension de la base de données
+        finalanemie = finaldata[['Region', 'Zone', 'Statut_Matrimonial', 'Menstruation', 'Fer', 'Age', 'IMC_Calcule', 'Menage', 'anemie']]
+
+        print("Données réduites, préparation des données...")
+        
+        # Sélection des colonnes d'intérêt pour les variables explicatives et la variable cible
+        X = finalanemie[['Region', 'Zone', 'Age', 'Statut_Matrimonial', 'Menstruation', 'Fer', 'IMC_Calcule']]
+        y = finalanemie['anemie']
+
+        # Encodage des variables catégorielles
+        X_encoded = pd.get_dummies(X, columns=['Region', 'Zone', 'Statut_Matrimonial', 'Menstruation', 'Fer'], drop_first=True)
+
+        # Conversion des booléens en entiers (si nécessaire)
+        X_encoded = X_encoded.astype(int)
+
+        # Ajout de la variable Menage
+        X_encoded['Menage'] = finalanemie['Menage']
+
+        # Division des données en ensembles d'entraînement et de test
+        from sklearn.model_selection import train_test_split
+        X_train, X_test, y_train, y_test = train_test_split(X_encoded, y, test_size=0.2, random_state=42)
+
+        # Ajuster le modèle (Remplacez par votre modèle préféré)
+        model = RandomForestClassifier()  # Exemple : utiliser un RandomForestClassifier
+        model.fit(X_train, y_train)
+
+        # Sauvegarder le modèle
+        model_path = "model.joblib"
+        print(f"Sauvegarde du modèle dans {model_path}...")
+        try:
+            dump(model, model_path)
+            if os.path.exists(model_path):
+                print(f"Le modèle a été sauvegardé avec succès dans {model_path}.")
+            else:
+                print("Échec de la sauvegarde du modèle.")
+        except Exception as e:
+            print(f"Erreur lors de la sauvegarde du modèle : {e}")
+
+    except KeyError as e:
+        print(f"Erreur : colonne manquante dans les données - {e}")
+    except Exception as e:
+        print(f"Erreur lors de la préparation des données ou de l'ajustement du modèle : {e}")
+
+if __name__ == "__main__":
+    save_model()