Update app.py

app.py

@@ -2,9 +2,10 @@ import gradio as gr
 from sklearn.datasets import load_iris
 from sklearn.model_selection import train_test_split
 from sklearn.linear_model import LogisticRegression
-from joblib import dump
+from joblib import dump, load
 import os
 
+# Função para treinar e salvar o modelo
 def train_model():
     # Carregar e dividir o dataset
     data = load_iris()
@@ -13,7 +14,7 @@ def train_model():
     X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
 
     # Treinando o modelo
-    model = LogisticRegression()
+    model = LogisticRegression(max_iter=200)
     model.fit(X_train, y_train)
 
     # Criar diretório para salvar o modelo
@@ -26,28 +27,31 @@ def train_model():
     
     return f"Modelo treinado e salvo em: {model_filename}"
 
-# Carregar o modelo treinado (supondo que você tenha o arquivo 'model.pkl')
-model = load("/mnt/data/model.pkl")  # ou o caminho do seu modelo
+# Função para carregar o modelo treinado e fazer previsões
+def predict(input_data):
+    # Carregar o modelo treinado
+    model = load("/mnt/data/model.pkl")  # Caminho do modelo salvo
 
-# Função para fazer previsões
-def predict(input_text):
-    # Prever usando o modelo carregado
-    prediction = model.predict([input_text])  # ou adapte conforme o seu modelo
-    return prediction[0]
+    # Realizar a previsão (garantir que a entrada seja formatada corretamente)
+    prediction = model.predict([input_data])  # input_data deve ser um vetor com as características
+    return f"Previsão: {prediction[0]}"
 
-# Criar a interface Gradio
-iface = gr.Interface(
-    fn=predict,                  # Função para chamar ao gerar
-    inputs=gr.Textbox(label="Input Text"),  # Caixa de entrada de texto
-    outputs=gr.Textbox(label="Output")     # Caixa de saída com a previsão
+# Interface para treinamento do modelo
+train_iface = gr.Interface(
+    fn=train_model, 
+    inputs=[],  # Nenhuma entrada necessária para treinar
+    outputs=["text"]  # Exibe uma mensagem de sucesso
 )
 
-# Iniciar a aplicação
-iface.launch()
-
+# Interface para previsões
+predict_iface = gr.Interface(
+    fn=predict,                  # Função para chamar ao gerar previsão
+    inputs=gr.Textbox(label="Input (4 features, espaço separado)"),  # Caixa de entrada de texto
+    outputs=gr.Textbox(label="Output")     # Caixa de saída com a previsão
+)
 
-# Inicialize a interface Gradio
-iface = gr.Interface(fn=train_model, inputs=[], outputs=["text"])
+# Iniciar a interface de treinamento
+train_iface.launch()
 
-# Inicie a aplicação
-iface.launch()
+# Iniciar a interface de previsões
+predict_iface.launch()