Hugging Face's logo

Spaces:
mhdbbbbb
/
Exerciceia.py
Runtime error

App Files Community
Exerciceia.py
File size: 7,136 Bytes 
d1ca753
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
 
import streamlit as st
import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_absolute_error, r2_score
import plotly.express as px
import plotly.graph_objects as go

# Configuration de la page
st.set_page_config(
    page_title="IA Prédilo - Immobilier",
    page_icon="🏠",
    layout="wide"
)

# Style CSS pour une interface premium
st.markdown("""
    <style>
    .prediction-box {
        background-color: #ffffff;
        padding: 25px;
        border-radius: 15px;
        border-left: 10px solid #007bff;
        box-shadow: 0 4px 15px rgba(0,0,0,0.1);
        margin: 20px 0;
    }
    </style>
    """, unsafe_allow_html=True)

# ==========================================================
# 1. LE JEU DE DONNÉES (Dataset - 30 exemples exacts)
# ==========================================================
@st.cache_data
def load_data():
    donnees = {
        'm2':      [30, 50, 70, 90, 110, 130, 30, 50, 70, 50, 45, 85, 120, 60, 95, 55, 75, 100, 65, 80, 40, 90, 115, 140, 35, 60, 95, 105, 125, 150],
        'dist':    [1, 2, 3, 5, 8, 10, 15, 20, 25, 2, 4, 6, 12, 5, 8, 3, 4, 7, 2, 5, 1, 6, 9, 11, 18, 3, 7, 8, 10, 13],
        'neuf':    [0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 1, 0, 0, 1, 0, 0, 1, 0, 0, 0, 1, 0, 1, 0, 1],
        'pieces':  [1, 2, 3, 4, 4, 5, 1, 2, 3, 2, 2, 3, 4, 3, 4, 2, 3, 4, 3, 3, 1, 4, 5, 6, 1, 2, 4, 4, 5, 6],
        'parking': [0, 1, 0, 1, 1, 1, 0, 0, 0, 1, 1, 1, 1, 0, 1, 1, 0, 1, 1, 1, 0, 1, 1, 1, 0, 1, 1, 1, 1, 1],
        'etage':   [0, 2, 1, 3, 0, 1, 0, 1, 0, 4, 2, 3, 0, 2, 5, 3, 1, 2, 5, 4, 0, 3, 1, 0, 2, 4, 6, 2, 1, 3],
        'balcon':  [0, 1, 0, 1, 0, 1, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1, 0, 1, 1, 1, 0, 1, 1, 1, 1, 1],
        'jardin':  [0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 1, 1, 0, 1, 0, 0, 1, 0, 0, 0, 1, 1, 1, 0, 0, 1, 1, 1, 1],
        'ascenseur':[0, 1, 1, 1, 0, 1, 0, 0, 0, 1, 1, 1, 0, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 0, 0, 1, 1, 1, 1, 1],
        'dpe':     [4, 3, 4, 3, 5, 4, 6, 5, 6, 2, 4, 3, 1, 4, 3, 2, 4, 2, 1, 3, 5, 2, 3, 4, 6, 2, 3, 1, 3, 1],
        'annee':   [1985, 2000, 1995, 2005, 1980, 1990, 1975, 1988, 1970, 2020, 1998, 2008, 2022, 2002, 2010, 2018, 1992, 2015, 2021, 2005, 1982, 2012, 2003, 1995, 1978, 2019, 2011, 2023, 2007, 2024],
        'etat':    [2, 2, 2, 2, 1, 2, 1, 1, 1, 3, 2, 2, 3, 2, 2, 3, 2, 3, 3, 2, 1, 3, 2, 2, 1, 3, 2, 3, 2, 3],
        'prix':    [180000, 275000, 362000, 418000, 485000, 515000, 115000, 182000, 238000, 315000, 220000, 380000, 540000, 290000, 430000, 298000, 355000, 475000, 325000, 395000, 195000, 445000, 520000, 580000, 145000, 310000, 460000, 495000, 535000, 625000]
    }
    return pd.DataFrame(donnees)

df = load_data()

# ==========================================================
# 2. ENTRAÎNEMENT DE L'IA (Train / Test Split)
# ==========================================================
features = ['m2', 'dist', 'neuf', 'pieces', 'parking', 'etage', 'balcon', 'jardin', 'ascenseur', 'dpe', 'annee', 'etat']
X = df[features]
y = df['prix']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
model = LinearRegression()
model.fit(X_train, y_train)

y_pred_test = model.predict(X_test)
mae_test = mean_absolute_error(y_test, y_pred_test)
score_r2 = r2_score(y_test, y_pred_test)

# ==========================================================
# 3. INTERFACE (Sidebar & Menu)
# ==========================================================
st.sidebar.header("🔧 Paramètres du bien")

surface = st.sidebar.slider("Surface (m2)", 20, 300, 75)
pieces = st.sidebar.number_input("Nombre de pièces", 1, 10, 3)
distance = st.sidebar.slider("Distance centre (km)", 0, 50, 5)
neuf_o_n = st.sidebar.selectbox("Est-ce neuf ?", ["NON", "OUI"])
annee = st.sidebar.number_input("Année de construction", 1900, 2025, 2010)
etat = st.sidebar.select_slider("État général", options=["A rénover", "Bon", "Excellent"], value="Bon")
dpe_label = st.sidebar.select_slider("Classe DPE", options=["A", "B", "C", "D", "E", "F", "G"], value="C")

st.sidebar.subheader("Équipements")
parking = st.sidebar.checkbox("Parking / Garage", value=True)
balcon = st.sidebar.checkbox("Balcon / Terrasse")
jardin = st.sidebar.checkbox("Jardin")
ascenseur = st.sidebar.checkbox("Ascenseur")

prix_vendeur = st.sidebar.number_input("Prix du vendeur (€)", 50000, 1000000, 350000)

# Conversion des entrées pour l'IA
code_neuf = 1 if neuf_o_n == "OUI" else 0
code_etat = {"A rénover": 1, "Bon": 2, "Excellent": 3}[etat]
code_dpe = {"A": 1, "B": 2, "C": 3, "D": 4, "E": 5, "F": 6, "G": 7}[dpe_label]
code_park = 1 if parking else 0
code_balc = 1 if balcon else 0
code_jard = 1 if jardin else 0
code_asc = 1 if ascenseur else 0

# ==========================================================
# 4. CALCULS ET RÉSULTATS
# ==========================================================
st.title("🚀 Prédilo IA : Expert Immobilier")
st.markdown("---")

# Prédiction en temps réel
input_data = [[surface, distance, code_neuf, pieces, code_park, 0, code_balc, code_jard, code_asc, code_dpe, annee, code_etat]]
estimation = model.predict(input_data)[0]

# Affichage des métriques clés
c1, c2, c3, c4 = st.columns(4)
with c1: st.metric("Estimation IA", f"{estimation:,.0f} €")
with c2: st.metric("Prix Vendeur", f"{prix_vendeur:,.0f} €")
with c3: st.metric("Précision IA", f"{score_r2:.1%}")
with c4: st.metric("Erreur (Test)", f"± {mae_test:,.0f} €")

# Verdict visuel
st.markdown('<div class="prediction-box">', unsafe_allow_html=True)
if prix_vendeur < (estimation - mae_test):
    st.success("🎯 **VERDICT : EXCELLENTE AFFAIRE !**")
    st.write(f"Ce bien est sous-évalué d'environ **{estimation - prix_vendeur:,.0f} €**.")
elif prix_vendeur > (estimation + mae_test):
    st.error("❌ **VERDICT : TROP CHER !**")
    st.write(f"Le prix est supérieur à la réalité du marché de **{prix_vendeur - estimation:,.0f} €**.")
else:
    st.info("⚖️ **VERDICT : PRIX CORRECT !**")
    st.write("Le prix est parfaitement aligné avec les tendances actuelles.")
st.markdown('</div>', unsafe_allow_html=True)

# ==========================================================
# 5. GRAPHIQUES PLOTLY
# ==========================================================
t1, t2 = st.tabs(["📊 Distribution du Marché", "📈 Relation Surface/Prix"])

with t1:
    fig_hist = px.histogram(df, x="prix", title="Où se situe votre bien ?", color_discrete_sequence=['#007bff'])
    fig_hist.add_vline(x=estimation, line_dash="dash", line_color="red", annotation_text="VOTRE ESTIMATION")
    st.plotly_chart(fig_hist, use_container_width=True)

with t2:
    fig_scat = px.scatter(df, x="m2", y="prix", title="Prix en fonction de la Surface", labels={"m2": "Surface (m2)", "prix": "Prix (€)"})
    fig_scat.add_trace(go.Scatter(x=[surface], y=[estimation], mode='markers', name='Votre Bien', marker=dict(size=15, color='red', symbol='star')))
    st.plotly_chart(fig_scat, use_container_width=True)

st.divider()
st.caption("Développé avec ❤️ pour votre apprentissage de l'IA.")