app.py

import gradio as gr
import joblib
import numpy as np
import pandas as pd

# Liste des colonnes catégorielles
cat_columns = ['job', 'marital', 'education', 'housing', 'loan', 'contact', 'month', 'day_of_week', 'poutcome']

# Charger les encodeurs
encoders = {}
for col in cat_columns:
    encoders[col] = joblib.load(f"{col}.joblib")

# Charger l'encodeur de la variable cible
encoder_y = joblib.load("y.joblib")

#from xgboost import XGBClassifier
model = joblib.load("xgb.joblib")

def predict_y(job, marital, education, housing, loan, contact, month, day_of_week, poutcome):
    # Créer un DataFrame avec les inputs
    input_data = pd.DataFrame([[job, marital, education, housing, loan, contact, month, day_of_week, poutcome]], columns=cat_columns)

    # Encoder chaque colonne
    for col in cat_columns:
        input_data[col] = encoders[col].transform(input_data[col])

    # 👉 Ici on simule la prédiction. Remplace par ton vrai modèle :
    prediction = model.predict(input_data)
    #prediction = np.random.choice([0, 1])  # juste pour test

    # Décoder la prédiction si elle est catégorielle
    return encoder_y.inverse_transform([prediction])[0]

# Interface Gradio
iface = gr.Interface(
    fn=predict_y,
    inputs=[
        gr.Textbox(label="Job"),
        gr.Textbox(label="Marital"),
        gr.Textbox(label="Education"),
        gr.Textbox(label="Housing"),
        gr.Textbox(label="Loan"),
        gr.Textbox(label="Contact"),
        gr.Textbox(label="Month"),
        gr.Textbox(label="Day of Week"),
        gr.Textbox(label="Poutcome"),
    ],
    outputs="text",
    title="Prédiction Banque - Variable y",
    description="Entrez les informations pour prédire la variable y (yes/no)"
)

iface.launch()