Upload 3 files

app.py

@@ -0,0 +1,89 @@
+import streamlit as st
+import pandas as pd
+from sklearn.model_selection import train_test_split
+from sklearn.ensemble import GradientBoostingClassifier
+from sklearn.preprocessing import LabelEncoder
+from sklearn.preprocessing import StandardScaler, OneHotEncoder
+from sklearn.impute import SimpleImputer
+from sklearn.pipeline import Pipeline
+from sklearn.compose import ColumnTransformer
+
+
+@st.cache
+def load_data():
+    #Veeri setini yüklüyorum
+    df=pd.read_csv('income_evaluation.csv')
+    return df
+
+df=load_data()
+
+x=df.drop([' fnlwgt',' income'], axis=1)
+y=df[' income']
+
+numeric_features=x.select_dtypes(include=['int64']).columns
+categorical_features=x.select_dtypes(include=['object']).columns
+
+# Kategorik sütunlardaki benzersiz değerleri al
+#categorical_values = [x[column].unique() for column in categorical_features]
+
+# Kategorik sütunlarda eksik değerleri doldurmak için SimpleImputer kullanın
+#imputer_cat = SimpleImputer(strategy='most_frequent')   #TypeError: 'tuple' object is not callable
+#df[categorical_features] = imputer_cat.fit_transform(df[categorical_features])
+
+# Sayısal sütunlarda eksik değerleri doldurmak ve ölçeklendirmek için StandardScaler kullanın
+#scaler = StandardScaler()
+#df[numeric_features] = scaler.fit_transform(df[numeric_features])
+
+preprocessor = ColumnTransformer(  #'DataFrame' object has no attribute '_validate_params'
+    transformers=[
+        ('cat', OneHotEncoder(), categorical_features),
+        ('num', StandardScaler(), numeric_features)  # Sayısal sütunları normalize et
+    ]) 
+
+# Pipeline oluştur
+pipeline = Pipeline(steps=[
+    ('preprocessor', preprocessor),
+    ('classifier', GradientBoostingClassifier())  # Lojistik regresyon kullanarak sınıflandırma yap
+])
+
+#x_train, x_test, y_train, y_test=train_test_split(x,y,test_size=.2,random_state=42)
+# Modeli eğit
+
+pipeline.fit(x,y)
+
+# Uygulama başlığı
+st.title("Gradient Boosting ile Gelir Sınıflandırma Uygulaması")
+age = st.number_input("Yaş", min_value=0)
+workclass = st.selectbox("Çalışma Sınıfı", df[' workclass'].unique())
+education = st.selectbox("Eğitim", df[' education'].unique())
+education_num = st.number_input("Eğitim seviyesi", min_value=0)
+marital_status = st.selectbox("Medeni durumu", df[' marital-status'].unique())
+occupation = st.selectbox('Pozisyonu', df[' occupation'].unique())
+relationship = st.selectbox('ilişki durumu', df[' relationship'].unique())
+race = st.selectbox('Milliyeti', df[' race'].unique())
+sex = st.selectbox('Cinsiyet', df[' sex'].unique())
+capital_gain = st.number_input("Sermaye kazancı", min_value=0)
+capital_loss = st.number_input("Sermaye Kaybı", min_value=0)
+hours_per_week = st.number_input("Haftalık Çalışma Saati", min_value=0)
+native_country = st.selectbox('Doğum Yeri', df[' native-country'].unique())
+
+
+new_data = pd.DataFrame({
+    'age': [age],
+    ' workclass': [workclass],
+    ' education': [education],
+    ' education-num': [education_num],
+    ' marital-status': [marital_status],
+    ' occupation': [occupation],
+    ' relationship': [relationship],
+    ' race': [race],
+    ' sex': [sex],
+    ' capital-gain': [capital_gain],
+    ' capital-loss': [capital_loss],
+    ' hours-per-week': [hours_per_week],
+    ' native-country': [native_country]
+})
+
+if st.button('Predict'):
+    predictions = pipeline.predict(new_data)
+    st.write("Income Prediction:", predictions)

requirements.txt

@@ -0,0 +1,3 @@
+ streamlit
+ pandas
+ sklearn