Create adolescente.py

adolescente.py

@@ -0,0 +1,84 @@
+import streamlit as st
+import pandas as pd
+from joblib import load
+
+def load_model():
+    model_path = "model.joblib"
+    try:
+        model = load(model_path)
+        return model
+    except FileNotFoundError:
+        st.error("Le fichier du modèle n'a pas été trouvé.")
+        return None
+
+def show():
+    st.title("Prédiction d'Anémie")
+
+    # Chargement du modèle
+    model = load_model()
+    if model is None:
+        return
+
+    # Saisie des données
+    age = st.number_input("Âge", min_value=10, max_value=19)
+    fer = st.selectbox("Avez-vous pris du fer sous quelque forme que ce soit au cours des 3 derniers mois ?", ["Oui", "Non"])
+    poids = st.number_input("Poids (en Kg)", min_value=10.0)
+    taille = st.number_input("Taille (en cm)", min_value=50.0)
+    
+    # Calcul de l'IMC
+    if poids > 0 and taille > 0:
+        taille_m = taille / 100
+        imc = poids / (taille_m ** 2)
+    else:
+        imc = 0
+    
+    # Affichage de l'IMC
+    st.write(f"IMC Calculé: {imc:.2f}")
+
+    menstruation = st.selectbox("Voyez-vous déjà vos règles ?", ["Oui", "Non"])
+    statut_matrimonial = st.selectbox("Quel est votre statut matrimonial?", ["Célibataire", "Mariée"])
+    zone = st.selectbox("Quelle est votre zone d'habitation ?", ["Urbaine", "Rurale"])
+    region = st.selectbox("Quelle est la région que vous habitez", ["Adamaoua", "Est", "Extrême Nord", "Nord"])
+
+    if st.button("Faire la Prédiction"):
+        # Préparation des données pour la prédiction
+        data = {
+            'Age': age,
+            'Fer': 1 if fer == "Oui" else 2,
+            'IMC_Calcule': imc,
+            'Menstruation': 1 if menstruation == "Oui" else 2,
+            'Statut_Matrimonial': 1 if statut_matrimonial == "Célibataire" else 2,
+            'Zone': 0 if zone == "Urbaine" else 1,
+            'Region': {"Adamaoua": 1, "Est": 2, "Extrême Nord": 3, "Nord": 4}[region],
+            'Menage': 850
+        }
+
+        df = pd.DataFrame([data])
+
+        # Prédiction
+        new_data_encoded = pd.get_dummies(df, drop_first=True)
+        expected_columns = model.feature_names_in_
+        for column in expected_columns:
+            if column not in new_data_encoded.columns:
+                new_data_encoded[column] = 0
+        new_data_encoded = new_data_encoded[expected_columns]
+
+        prediction = model.predict(new_data_encoded)
+        prediction_proba = model.predict_proba(new_data_encoded)
+
+        # Stockage des résultats dans st.session_state
+        result_text = "Anémique" if prediction[0] == 1 else "Non Anémique"
+        st.session_state.data = data
+        st.session_state.prediction = {
+            'Prediction': result_text,
+            'Probability': prediction_proba[0][prediction[0]]  # Probabilité à stocker pour le rapport
+        }
+        st.session_state.goto_report = True
+
+        # Affichage des résultats de la prédiction
+        st.markdown(f"<p style='color:red; text-align:center;'>Prédiction : {result_text}</p>", unsafe_allow_html=True)
+
+
+if __name__ == '__main__':
+    show()
+