rollback

app.py

@@ -877,21 +877,6 @@ def main():
         st.markdown('<h2 class="section-header">III. Explicabilidade com SHAP</h2>', 
                     unsafe_allow_html=True)
         
-        # CSS para estabilizar o layout e evitar tremidas
-        st.markdown("""
-        <style>
-            .shap-container {
-                min-height: 600px;
-            }
-            .stSpinner {
-                min-height: 50px;
-            }
-            div[data-testid="stVerticalBlock"] > div {
-                transition: none !important;
-            }
-        </style>
-        """, unsafe_allow_html=True)
-        
         if 'trained_models' not in st.session_state:
             st.warning("⚠️ Por favor, treine os modelos primeiro na seção 'II. Modelagem Supervisionada'")
         else:
@@ -915,45 +900,39 @@ def main():
                 key='shap_model_selector'
             )
             
-            # Usar form para evitar reruns durante o cálculo
-            calc_shap = st.button("🔬 Calcular SHAP Values", type="primary", key='calc_shap_btn')
-            
-            # Placeholder para mensagens de status
-            status_placeholder = st.empty()
-            
-            if calc_shap:
-                status_placeholder.info("⏳ Calculando SHAP values... Isso pode levar alguns minutos.")
-                model = trained_models[model_for_shap]
-                
-                # Usar TreeExplainer para modelos de árvore
-                try:
-                    explainer = shap.TreeExplainer(model)
-                    X_sample = X_test_scaled[:500]
-                    shap_values = explainer.shap_values(X_sample)
+            if st.button("🔬 Calcular SHAP Values", type="primary", key='calc_shap_btn'):
+                with st.spinner("Calculando SHAP values... Isso pode levar alguns minutos."):
+                    model = trained_models[model_for_shap]
                     
-                    # Para modelos de classificação binária
-                    if isinstance(shap_values, list):
-                        shap_values = shap_values[1]  # Classe positiva (bad)
-                    
-                    # Obter base_value corretamente
-                    expected_val = explainer.expected_value
-                    if isinstance(expected_val, (list, np.ndarray)):
-                        if len(expected_val) > 1:
-                            base_val = float(expected_val[1])
+                    # Usar TreeExplainer para modelos de árvore
+                    try:
+                        explainer = shap.TreeExplainer(model)
+                        X_sample = X_test_scaled[:500]
+                        shap_values = explainer.shap_values(X_sample)
+                        
+                        # Para modelos de classificação binária
+                        if isinstance(shap_values, list):
+                            shap_values = shap_values[1]  # Classe positiva (bad)
+                        
+                        # Obter base_value corretamente
+                        expected_val = explainer.expected_value
+                        if isinstance(expected_val, (list, np.ndarray)):
+                            if len(expected_val) > 1:
+                                base_val = float(expected_val[1])
+                            else:
+                                base_val = float(expected_val[0])
                         else:
-                            base_val = float(expected_val[0])
-                    else:
-                        base_val = float(expected_val)
-                    
-                    st.session_state['shap_explainer'] = explainer
-                    st.session_state['shap_values'] = shap_values
-                    st.session_state['X_sample_shap'] = X_sample
-                    st.session_state['shap_model'] = model_for_shap
-                    st.session_state['shap_base_val'] = base_val
-                    
-                    status_placeholder.success("✅ SHAP values calculados com sucesso!")
-                except Exception as e:
-                    status_placeholder.error(f"Erro ao calcular SHAP values: {str(e)}")
+                            base_val = float(expected_val)
+                        
+                        st.session_state['shap_explainer'] = explainer
+                        st.session_state['shap_values'] = shap_values
+                        st.session_state['X_sample_shap'] = X_sample
+                        st.session_state['shap_model'] = model_for_shap
+                        st.session_state['shap_base_val'] = base_val
+                        
+                        st.success("✅ SHAP values calculados com sucesso!")
+                    except Exception as e:
+                        st.error(f"Erro ao calcular SHAP values: {str(e)}")
             
             if 'shap_values' in st.session_state:
                 shap_values = st.session_state['shap_values']
@@ -974,13 +953,14 @@ def main():
                 </div>
                 """, unsafe_allow_html=True)
                 
-                # Summary plot com matplotlib - fechar figuras anteriores para evitar tremidas
-                plt.close('all')
-                fig_summary, ax_summary = plt.subplots(figsize=(10, 8))
-                shap.summary_plot(shap_values, X_sample, feature_names=feature_names, 
-                                 plot_type="dot", show=False)
-                st.pyplot(fig_summary, use_container_width=True, key='shap_summary_plot')
-                plt.close(fig_summary)
+                # Summary plot com matplotlib - usando container para estabilizar
+                summary_container = st.container()
+                with summary_container:
+                    fig_summary = plt.figure(figsize=(10, 8))
+                    shap.summary_plot(shap_values, X_sample, feature_names=feature_names, 
+                                     plot_type="dot", show=False)
+                    st.pyplot(fig_summary, clear_figure=True)
+                    plt.close(fig_summary)
                 
                 # Análise das principais variáveis
                 st.markdown("### 📈 Análise das Variáveis Mais Importantes")
@@ -1050,17 +1030,18 @@ def main():
                         st.markdown("#### Análise de um Cliente Classificado como GOOD")
                         idx_good = good_indices[0]
                         
-                        # Waterfall plot - fechar figuras anteriores
-                        plt.close('all')
-                        fig_wf = plt.figure(figsize=(10, 6))
-                        shap.waterfall_plot(shap.Explanation(
-                            values=shap_values[idx_good],
-                            base_values=base_val,
-                            data=X_sample[idx_good],
-                            feature_names=feature_names
-                        ), show=False)
-                        st.pyplot(fig_wf, use_container_width=True, key='shap_waterfall_good')
-                        plt.close(fig_wf)
+                        # Waterfall plot usando container estável
+                        wf_container1 = st.container()
+                        with wf_container1:
+                            fig_wf = plt.figure(figsize=(10, 6))
+                            shap.waterfall_plot(shap.Explanation(
+                                values=shap_values[idx_good],
+                                base_values=base_val,
+                                data=X_sample[idx_good],
+                                feature_names=feature_names
+                            ), show=False)
+                            st.pyplot(fig_wf, clear_figure=True)
+                            plt.close(fig_wf)
                         
                         st.markdown("""
                         **Interpretação:** Este cliente foi classificado como bom pagador porque:
@@ -1074,17 +1055,18 @@ def main():
                         st.markdown("#### Análise de um Cliente Classificado como BAD")
                         idx_bad = bad_indices[0]
                         
-                        # Waterfall plot - fechar figuras anteriores
-                        plt.close('all')
-                        fig_wf2 = plt.figure(figsize=(10, 6))
-                        shap.waterfall_plot(shap.Explanation(
-                            values=shap_values[idx_bad],
-                            base_values=base_val,
-                            data=X_sample[idx_bad],
-                            feature_names=feature_names
-                        ), show=False)
-                        st.pyplot(fig_wf2, use_container_width=True, key='shap_waterfall_bad')
-                        plt.close(fig_wf2)
+                        # Waterfall plot usando container estável
+                        wf_container2 = st.container()
+                        with wf_container2:
+                            fig_wf2 = plt.figure(figsize=(10, 6))
+                            shap.waterfall_plot(shap.Explanation(
+                                values=shap_values[idx_bad],
+                                base_values=base_val,
+                                data=X_sample[idx_bad],
+                                feature_names=feature_names
+                            ), show=False)
+                            st.pyplot(fig_wf2, clear_figure=True)
+                            plt.close(fig_wf2)
                         
                         st.markdown("""
                         **Interpretação:** Este cliente foi classificado como inadimplente porque: