Create app.py

app.py

@@ -0,0 +1,45 @@
+import streamlit as st
+import joblib
+import numpy as np
+from sklearn.preprocessing import StandardScaler
+
+loaded_model = joblib.load('knn_model.pkl')
+encoder = joblib.load('encoder.pkl')
+
+st.title('Prédiction de la production agricole')
+
+# Entrées utilisateur avec sliders
+st.write('### Entrez les valeurs des caractéristiques :')
+
+# Définir les valeurs maximales pour chaque caractéristique
+max_values = {'N': 400, 'P': 200, 'K': 600, 'temperature': 50, 'humidity': 100, 'ph': 14, 'rainfall': 500}
+
+# Créer des sliders pour chaque caractéristique
+user_inputs = {}
+for feature in max_values:
+    user_inputs[feature] = st.slider(f'{feature.capitalize()}', min_value=0.1, max_value=max_values[feature], value=max_values[feature]/2, step=0.1)
+
+# Transformation des entrées en tableau numpy
+input_data = np.array([[user_inputs['N'], user_inputs['P'], user_inputs['K'], user_inputs['temperature'], user_inputs['humidity'], user_inputs['ph'], user_inputs['rainfall']]])
+
+# Normalisation des données d'entrée
+scaler = StandardScaler()
+scaler.fit(input_data)
+input_data_scaled = scaler.transform(input_data)
+
+# Prédiction de la classe de production agricole
+production_class = loaded_model.predict(input_data_scaled)[0]
+prediction_probabilities = loaded_model.predict_proba(input_data_scaled)[0]
+
+# Inverse transformation des probabilités
+inverse_transformed_probabilities = scaler.inverse_transform([prediction_probabilities])
+
+# Affichage des probabilités inversées
+st.write('### Probabilités inversées pour chaque classe :')
+for i in range(len(inverse_transformed_probabilities[0])):
+    st.write(f'- Classe {i}: {inverse_transformed_probabilities[0][i]:.2f}')
+
+# Affichage de la classe prédite avec la plus haute probabilité
+predicted_class = loaded_model.predict(input_data_scaled)[0]
+predicted_species = iris.target_names[predicted_class]
+st.write(f'### Classe prédite avec la plus haute probabilité : {predicted_species}')