Upload 3 files

app.py

@@ -0,0 +1,47 @@
+import gradio as gr
+import joblib
+import pandas as pd
+
+# 1. Cargar el modelo de Churn
+# Usamos try/except por si olvidaste ejecutar el entrenar.py
+try:
+    modelo = joblib.load("modelo_churn.joblib")
+except:
+    modelo = None
+
+# 2. Función de predicción
+def predecir_abandono(antiguedad, pago_mensual, es_senior):
+    if modelo is None:
+        return {"Error: Modelo no encontrado": 1}
+    
+    # Preparamos los datos igual que en el entrenamiento
+    # es_senior viene del checkbox (True/False), lo convertimos a 1 o 0
+    senior_num = 1 if es_senior else 0
+    
+    datos = pd.DataFrame([[antiguedad, pago_mensual, senior_num]], 
+                         columns=['tenure', 'MonthlyCharges', 'SeniorCitizen'])
+    
+    # Predecir probabilidades
+    # proba[0] = Probabilidad de quedarse (No Churn)
+    # proba[1] = Probabilidad de irse (Yes Churn)
+    proba = modelo.predict_proba(datos)[0]
+    
+    return {
+        "Cliente Fiel (Se queda)": float(proba[0]), 
+        "Riesgo de Abandono (Churn)": float(proba[1])
+    }
+
+# 3. Interfaz Web
+interfaz = gr.Interface(
+    fn=predecir_abandono,
+    inputs=[
+        gr.Slider(minimum=0, maximum=72, label="Antigüedad (Meses)", info="¿Cuánto tiempo lleva con nosotros?"),
+        gr.Number(label="Pago Mensual ($)", value=50.0),
+        gr.Checkbox(label="¿Es Adulto Mayor (Senior)?")
+    ],
+    outputs=gr.Label(num_top_classes=2, label="Predicción de Riesgo"),
+    title="Detector de Fugas de Clientes (Churn)",
+    description="Introduce los datos del cliente para evaluar si está en riesgo de cancelar el servicio."
+)
+
+interfaz.launch()

modelo_churn.joblib

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:3234d5a90c990346555192db47d7c95a7c18c626b9e42d691f72f545a253555c
+size 6297

requirements.txt

@@ -0,0 +1,4 @@
+scikit-learn
+pandas
+joblib
+gradio