import gradio as gr
import tensorflow as tf
import numpy as np

# Laden Sie Ihr trainiertes Modell
model_path = "kia_apartments_keras_model.h5"
model = tf.keras.models.load_model(model_path, custom_objects={'mse': tf.keras.losses.MeanSquaredError()})


def predict_price(rooms, area, pop, pop_dens, frg_pct, emp, tax_income):
    # Erstellen eines Arrays aus den Eingabewerten
    input_array = np.array([[rooms, area, pop, pop_dens, frg_pct, emp, tax_income]], dtype=float)
    
    # Modell zur Vorhersage verwenden
    prediction = model.predict(input_array)
    
    # Rückgabe der Vorhersage
    return f"Vorhergesagter Preis: {prediction[0][0]:.2f}"

# Erstellen der Gradio-Oberfläche
iface = gr.Interface(
    fn=predict_price, 
    inputs=[
        gr.Number(label="Zimmer"),
        gr.Number(label="Fläche"),
        gr.Number(label="Bevölkerung"),
        gr.Number(label="Bevölkerungsdichte"),
        gr.Number(label="Fremdsprachenanteil (%)"),
        gr.Number(label="Beschäftigte"),
        gr.Number(label="Steuerbares Einkommen")
    ], 
    outputs="text",
    title="Vorhersage des Wohnungpreises",
    description="Geben Sie die Daten ein, um den Preis einer Wohnung zu schätzen."
)

# Start der App
if __name__ == "__main__":
    iface.launch()