Update app.py

app.py

@@ -1,29 +1,33 @@
+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
 import os
 
-# Definir o caminho do diretório
-diretorio = "/mnt/data"
-
-# Criar o diretório, se ele não existir
-os.makedirs(diretorio, exist_ok=True)
+def train_model():
+    # Carregar e dividir o dataset
+    data = load_iris()
+    X = data.data
+    y = data.target
+    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
 
-# Agora você pode salvar o modelo nesse diretório
-from joblib import dump
-from sklearn.linear_model import LogisticRegression
-from sklearn.datasets import load_iris
-from sklearn.model_selection import train_test_split
+    # Treinando o modelo
+    model = LogisticRegression()
+    model.fit(X_train, y_train)
 
-# Carregar e dividir o dataset
-data = load_iris()
-X = data.data
-y = data.target
-X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
+    # Criar diretório para salvar o modelo
+    diretorio = "/mnt/data"
+    os.makedirs(diretorio, exist_ok=True)
 
-# Treinar o modelo
-model = LogisticRegression()
-model.fit(X_train, y_train)
+    # Salvar o modelo em /mnt/data/
+    model_filename = os.path.join(diretorio, "model.pkl")
+    dump(model, model_filename)
+    
+    return f"Modelo treinado e salvo em: {model_filename}"
 
-# Salvar o modelo no diretório recém-criado
-model_filename = os.path.join(diretorio, "model.pkl")
-dump(model, model_filename)
+# Inicialize a interface Gradio
+iface = gr.Interface(fn=train_model, inputs=[], outputs=["text"])
 
-print(f"Modelo salvo em: {model_filename}")
+# Inicie a aplicação
+iface.launch()