app.py

# -*- coding: utf-8 -*-
"""Prueba 1 con RF.ipynb

Automatically generated by Colab.

Original file is located at
    https://colab.research.google.com/drive/1uLC6Z9l_iiLNQSpLQ8srEj6ziSJ6sPxs
"""

# Instalar librerías necesarias
#!pip install gradio scikit-learn openpyxl pandas
# dependencias se instalan vía requirements.txt

import gradio as gr
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error



# 🔹 Función que encapsula TODO tu flujo
def ejecutar_modelo():
    # 1. Cargar datos (simulamos con dataset de sklearn o podrías leer desde tu Drive)
    from sklearn.datasets import load_diabetes
    data = load_diabetes(as_frame=True)
    X, y = data.data, data.target

    # 2. Split train/test
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

    # 3. Entrenar modelo
    model = RandomForestRegressor(n_estimators=100, random_state=42)
    model.fit(X_train, y_train)

    # 4. Predicciones
    y_pred = model.predict(X_test)

    # 5. Guardar resultados en Excel
    df_resultados = pd.DataFrame({
        "Real": y_test.values,
        "Predicho": y_pred
    })
    output_path = "resultados.xlsx"
    df_resultados.to_excel(output_path, index=False)

    return output_path

# Interfaz: un botón para correr el modelo y un botón para descargar Excel
with gr.Blocks() as demo:
    gr.Markdown("## Random Forest Predictor 📊")
    gr.Markdown("Haz clic en el botón para entrenar el modelo y obtener resultados")

    boton = gr.Button("Ejecutar modelo")
    salida = gr.File(label="Descargar Excel de resultados")

    boton.click(fn=ejecutar_modelo, inputs=None, outputs=salida)

demo.launch()