feat: updated file joblib

app.py

@@ -463,21 +463,13 @@ elif page == "Customer Analysis":
                     mape = np.mean(np.abs((actual - predicted) / actual)) * 100
                     smape = np.mean(2 * np.abs(actual - predicted) / (np.abs(actual) + np.abs(predicted))) * 100
 
-                    st.markdown("""
-                    **Interpretación de las métricas:**
-                    - **MAE (Error Absoluto Medio)**: Promedio de la diferencia absoluta entre las predicciones y los valores reales.
-                    - **MAPE (Error Porcentual Absoluto Medio)**: Porcentaje promedio de error en las predicciones.
-                    - **RMSE (Raíz del Error Cuadrático Medio)**: Medida de la desviación estándar de los residuos de predicción.
-                    - **SMAPE (Error Porcentual Absoluto Simétrico Medio)**: Alternativa al MAPE que maneja mejor los valores cercanos a cero.
-                    """)
-
                     # Display metrics
                     st.subheader("Métricas de Predicción (2024)")
                     col1, col2, col3, col4 = st.columns(4)
-                    col1.metric("MAE", f"{mae:.2f} €")
-                    col2.metric("MAPE", f"{mape:.2f}%")
-                    col3.metric("RMSE", f"{rmse:.2f} €")
-                    col4.metric("SMAPE", f"{smape:.2f}%")
+                    col1.metric("MAE", f"{mae:.2f} €",help="Promedio de la diferencia absoluta entre las predicciones y los valores reales.")
+                    col2.metric("MAPE", f"{mape:.2f}%",help="Porcentaje promedio de error en las predicciones.")
+                    col3.metric("RMSE", f"{rmse:.2f} €",help="Medida de la desviación estándar de los residuos de predicción.")
+                    col4.metric("SMAPE", f"{smape:.2f}%",help="Alternativa al MAPE que maneja mejor los valores cercanos a cero.")
 
 
                     # Split space into two columns