app.py

import streamlit as st
import time
import pandas as pd
from utils.preprocess import load_and_preprocess_dataset
from model.cnn_model import CNNModel
from model.sca import CustomSCA

# Configuration de la page
st.set_page_config(
    page_title="Analyse CSI - Streamlit",
    layout="wide"
)

# Titre
st.title("📶 Analyse CSI avec Streamlit sur Hugging Face")

# Section paramètres
with st.sidebar:
    st.header("Paramètres")
    base_path = st.text_input(
        "Chemin des données",
        value="data/Dataset/room1/1"
    )
    norm_type = st.radio(
        "Type de normalisation",
        ["standard", "minmax"],
        index=0
    )
    
    if st.button("Lancer le prétraitement", type="primary"):
        with st.spinner("Traitement en cours..."):
            try:
                start_time = time.time()
                df = load_and_preprocess_dataset(base_path, norm_type)
                st.session_state['processed_df'] = df
                st.session_state['process_time'] = time.time() - start_time
                st.success("Prétraitement réussi!")
            except Exception as e:
                st.error(f"Erreur : {str(e)}")

# Affichage des résultats
if 'processed_df' in st.session_state:
    st.write(f"**Temps de traitement :** {st.session_state['process_time']:.2f}s")
    st.write(f"**Dimensions :** {st.session_state['processed_df'].shape[0]} lignes, {st.session_state['processed_df'].shape[1]} colonnes")
    
    tab1, tab2 = st.tabs(["Données", "Statistiques"])
    
    with tab1:
        st.dataframe(st.session_state['processed_df'])
    
    with tab2:
        st.write(st.session_state['processed_df'].describe())
    
    # Téléchargement
    csv = st.session_state['processed_df'].to_csv(index=False).encode('utf-8')
    st.download_button(
        "Télécharger CSV",
        csv,
        "csi_processed.csv",
        "text/csv"
    )
else:
    st.info("Configurez les paramètres et lancez le prétraitement")

import numpy as np
import streamlit as st
from models.cnn import CNNModel
from models.sca import CustomSCA

    st.markdown("---")
    st.subheader("🔧 Optimisation du modèle CNN via SCA")

    if st.button("Optimiser"):
        # Vérification si X_train et y_train sont prêts
        try:
            # Prépare tes données ici si ce n'est pas déjà fait
            X_train = np.array(st.session_state['processed_df'].iloc[:, :-1])
            y_train = np.array(st.session_state['processed_df'].iloc[:, -1])

            # Remodèle X pour CNN (batch, time, features)
            X_train = X_train.reshape((X_train.shape[0], X_train.shape[1], 1))

            # 1. Définir la fonction objectif (mise à jour ici avec accès aux données)
            def objective_function(solution):
                params = {
                    'filter1': int(solution[0]),
                    'filter2': int(solution[1]),
                    'filter3': int(solution[2]),
                    'learning_rate': solution[3],
                    'dropout': solution[4]
                }
                model = CNNModel(input_shape=(X_train.shape[1], 1), num_classes=len(np.unique(y_train)))
                _, val_acc = model.train(X_train, y_train, params, epochs=3)
                return 1 - val_acc

            # 2. Exécution de SCA
            bounds = [
                (32, 256),    # filter1
                (64, 512),    # filter2
                (128, 1024),  # filter3
                (0.0001, 0.01), # learning_rate
                (0.1, 0.7)      # dropout
            ]

            sca = CustomSCA(obj_func=objective_function, bounds=bounds)
            result = sca.optimize()

            st.success("Optimisation terminée ✅")

            st.write("### Meilleurs hyperparamètres trouvés :")
            st.json({
                'Filtres': [int(result['best_solution'][0]), 
                           int(result['best_solution'][1]), 
                           int(result['best_solution'][2])],
                'Learning Rate': result['best_solution'][3],
                'Dropout': result['best_solution'][4],
                'Précision validation': f"{1 - result['best_fitness']:.2%}"
            })

            st.line_chart({
                'Erreur': result['convergence_curve']
            })
        
        except Exception as e:
            st.error(f"Erreur pendant l'optimisation : {e}")