Spaces:
Sleeping
Sleeping
File size: 2,195 Bytes
9f0dbb9 |
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 |
"""Utilitaires d'inférence : chargement modèle + prédiction unitaire/batch.
- Respecte l'ordre des colonnes appris à l'entraînement (model.meta.json).
- Accepte dicts (depuis une API) ou Series/DataFrame.
"""
from pathlib import Path
import json
from typing import Iterable, Union, Dict, Any, List
import joblib
import pandas as pd
def _load_meta(models_dir: str | Path = "models") -> dict:
meta_path = Path(models_dir) / "model.meta.json"
if not meta_path.exists():
raise FileNotFoundError(f"Métadonnées non trouvées: {meta_path}")
return json.loads(meta_path.read_text(encoding="utf-8"))
def load_model(models_dir: str | Path = "models"):
model_path = Path(models_dir) / "model.joblib"
if not model_path.exists():
raise FileNotFoundError(f"Modèle non trouvé: {model_path}")
return joblib.load(model_path)
def _to_dataframe(rows: Union[Dict[str, Any], pd.Series, pd.DataFrame, List[Dict[str, Any]]]) -> pd.DataFrame:
if isinstance(rows, pd.DataFrame):
return rows.copy()
if isinstance(rows, pd.Series):
return pd.DataFrame([rows.to_dict()])
if isinstance(rows, dict):
return pd.DataFrame([rows])
if isinstance(rows, Iterable):
return pd.DataFrame(list(rows))
raise TypeError("Format d'entrée non supporté pour la prédiction.")
def predict_proba(
rows: Union[Dict[str, Any], pd.Series, pd.DataFrame, List[Dict[str, Any]]],
models_dir: str | Path = "models"
) -> List[float]:
"""Retourne les probabilités de la classe positive (attrition=1)."""
meta = _load_meta(models_dir)
feats = meta["feature_columns"]
df = _to_dataframe(rows)
# assure le même ordre/ensemble de colonnes qu'à l'entraînement
for col in feats:
if col not in df.columns:
# si colonne manquante dans l'entrée, on la crée à 0 (au choix)
df[col] = 0
# supprime les colonnes inconnues
df = df[feats]
model = load_model(models_dir)
return [float(p) for p in model.predict_proba(df)[:, 1]]
def predict_proba_one(row: Dict[str, Any], models_dir: str | Path = "models") -> float:
return predict_proba(row, models_dir=models_dir)[0] |