Upload 3 files

app.py

@@ -0,0 +1,88 @@
+import numpy as np
+import pandas as pd
+import matplotlib.pyplot as plt
+import warnings
+warnings.filterwarnings('ignore')
+from sklearn.model_selection import train_test_split
+from sklearn.linearRegression import LinearRegression
+from sklearn.metrics import mean_squared_error, r2_score
+from sklearn.compose import ColumnTransformer
+from sklearn.preprocessing import OneHotEncoder, StandardScaler
+from sklearn.pipeline import Pipeline
+import streamlit as st
+
+# Veri okuma
+df = pd.read_excel('iot predictive analysis.xlsx')
+
+# Sütun isimlerindeki boşlukları temizleme
+df.columns = df.columns.str.strip()
+
+# Değişkenlerin açıklaması
+columns_dict = {
+    'footfall': 'Belirli bir süre boyunca bir alandan geçen kişi sayısı.',
+    'atemp': 'Sensörün bulunduğu alanın dış ortam sıcaklığı.',
+    'selfLR': 'Bir cihazın kendi içindeki yük direnci.',
+    'ClinLR': 'Belirli bir klinik ortamda kullanılan yük direnci.',
+    'DoleLR': 'Belirli bir alandaki yük direnci.',
+    'PID': 'Orantısal, integral ve türev kontrol sistemi değeri.',
+    'outpressure': 'Cihazın dış ortam basıncı.',
+    'inpressure': 'Cihazın iç ortam basıncı.',
+    'temp': 'Genel ortam sıcaklığı.',
+    'fail': 'Cihazın arıza durumu.'
+}
+
+# Veri setini özellikler ve hedef olarak ayırma
+y = df.fail
+X = df.drop(['fail'], axis=1)
+
+# Eğitim ve test kümelerine ayırma
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
+
+# Ön işleme adımları
+preprocess = ColumnTransformer(transformers=[
+    ('num', StandardScaler(), ['footfall', 'atemp', 'selfLR', 'ClinLR', 'DoleLR', 'PID', 'outpressure', 'inpressure', 'temp'])
+])
+
+# Model tanımlama
+model = LinearRegression()
+pipe = Pipeline(steps=[('preprocessor', preprocess), ('model', model)])
+
+# Modeli eğitme
+pipe.fit(X_train, y_train)
+
+# Tahmin ve değerlendirme
+y_pred = pipe.predict(X_test)
+print("Root Mean Squared Error: ", mean_squared_error(y_test, y_pred) ** 0.5)
+print("R^2 Score: ", r2_score(y_test, y_pred))
+
+# Streamlit uygulaması
+def fail(footfall, atemp, selfLR, ClinLR, DoleLR, PID, outpressure, inpressure, temp):
+    input_data = pd.DataFrame({
+        'footfall': [footfall],
+        'atemp': [atemp],
+        'selfLR': [selfLR],
+        'ClinLR': [ClinLR],
+        'DoleLR': [DoleLR],
+        'PID': [PID],
+        'outpressure': [outpressure],
+        'inpressure': [inpressure],
+        'temp': [temp]
+    })
+    prediction = pipe.predict(input_data)[0]
+    return prediction
+
+st.title("İot Analizi :information: @dryed")
+st.write("Lütfen Sensör Verilerini Giriniz.")
+footfall = st.number_input("Footfall", 0, 10000)
+atemp = st.number_input("Atemp", 0, 100)
+selfLR = st.number_input("SelfLR", 0, 100)
+ClinLR = st.number_input("ClinLR", 0, 100)
+DoleLR = st.number_input("DoleLR", 0, 100)
+PID = st.number_input("PID", 0, 100)
+outpressure = st.number_input("Outpressure", 0, 100)
+inpressure = st.number_input("Inpressure", 0, 100)
+temp = st.number_input("Temp", 0, 100)
+
+if st.button("Predict"):
+    pred = fail(footfall, atemp, selfLR, ClinLR, DoleLR, PID, outpressure, inpressure, temp)
+    st.write("Predicted fail :information:  $", pred)