File size: 3,768 Bytes
ddab381 33de805 827a1d5 33de805 |
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 |
import numpy as np
import pandas as pd
# Fonction de prédiction
import gradio as gr
import joblib
# importer les encodeurs
encoder0 = joblib.load('marque.joblib')
encoder1 = joblib.load('transmission.joblib')
encoder2 = joblib.load('quartier.joblib')
encoder3 = joblib.load('etat.joblib')
Qt= joblib.load('liste_quartier.joblib')
Mq= joblib.load('liste_marque.joblib')
Tr= joblib.load('liste_transmission.joblib')
# importer le modèle
xgb = joblib.load('xgb.joblib')
# importer le normaliseur
scaler = joblib.load('scaler.joblib')
def Pred_func(marque,annee,transmission,prix, quartier):
# Encoder les valeurs des , Seller_Type et Transmission
Marque = encoder0.transform([marque])[0]
Transmission = encoder1.transform([transmission])[0]
Quartier = encoder2.transform([quartier])[0]
# vecteur des valeurs numériques
x_new = np.array([Marque,annee, Transmission,prix, Quartier, ])
x_new = x_new.reshape(1,-1) # convert en un 2D array
# Normaliser les données
x_new = scaler.transform(x_new)
# Prédire
y_pred = xgb.predict(x_new)[0]
if y_pred == 1:
return 'venant'
else:
return 'occasion'
Pred_func('Ford',2017,'Automatique',30000000,'Amitié')
# Fonction de prédiction multiple
def Pred_func_csv(file):
# Lire le fichier csv
df = pd.read_csv(file)
predictions = []
# Boucle sur les lignes du dataframe
for row in df.iloc[:, :].values:
# nouvelle ligne avec les valeurs des Fuel_Type, Seller_Type et Transmission encodées
# new_row = np.array([row[0], row[1], encoder0.transform([row[2]])[0], encoder1.transform([row[3]])[0], encoder2.transform([row[4]])[0], encoder3.transform([row[5]])])
# new_row = new_row.reshape(1,-1) # convertir en un 2D array
# # Normaliser les données
# new_row = scaler.transform(new_row)
# # Prédire
# y_pred = xgb.predict(new_row)
# # Arrondir
# y_pred = round(y_pred[0],2)
y_pred = Pred_func(row[0],row[1],row[2],row[3],row[4])
# ajouter la prediction sur List_predictions
predictions.append(y_pred)
df['etat'] = predictions
df.to_csv('predictions.csv', index = False)
return 'predictions.csv'
# définir les blocks
demo = gr.Blocks(theme = gr.themes.Monochrome())
# Créer les inputs
inputs = [gr.Dropdown(choices=Mq, label ='Marque'),
gr.Number(label='Annee'),
gr.Dropdown(choices=Tr, label='Transmission'),
gr.Number(label='Prix'),
gr.Dropdown(choices=Qt, label='Quartier')]
# Créer les outputs
outputs = gr.Textbox(label='Etat')
# Créer l'interface 1
interface1 = gr.Interface(fn = Pred_func,
inputs = inputs,
outputs = outputs,
title="Prédire l'Etat de la voiture",
description = """Ce modèle de machine learning nous permet de predire l'état d'une voiture
à partir de sa marque,de l'annee, de la transmission, du prix et du quartier de la voiture.
""")
# Créer l'interface 2
interface2 = gr.Interface(fn = Pred_func_csv,
inputs = gr.File(label='Importer un fichier CSV'),
outputs = gr.File(label='Télécharger un fichier CSV'),
title="Prédiction de l'Etat de plusieurs voitures",
description = """Ce modèle de machine learning nous permet de predire l'état d'une voiture
à partir de sa marque,de l'annee, de la transmission, du prix et du quartier de la voiture.
""")
# faire un tabbing des interfaces
with demo:
gr.TabbedInterface([interface1, interface2], ['Prédiction Simple', 'Prédiction multiple'])
# lancer l'interface
demo.launch()
|