requirments.text

streamlit
pandas
numpy
scikit-learn
plotly

app.py

@@ -0,0 +1,146 @@
+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.")