Spaces:
Sleeping
Sleeping
File size: 6,118 Bytes
5eab0d7 83001a5 5eab0d7 dfd5c7a 5eab0d7 f82589d bc24599 f82589d bc24599 f82589d bc24599 f82589d bc24599 f82589d bc24599 f82589d bc24599 f82589d bc24599 f82589d bc24599 f82589d bc24599 f82589d bc24599 153d815 bc24599 f82589d dfd5c7a bc24599 f82589d 153d815 dfd5c7a 153d815 f82589d |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 |
import gradio as gr
import joblib
import pandas as pd
import numpy as np
from tensorflow.keras.models import load_model
from sklearn.preprocessing import StandardScaler
# Cargar el modelo
#modelo = load_model('mi_modelo_red_neuronal.h5')
modelo = joblib.load('mi_modelo_Adaboost_V3.pkl')
def transformacion (dataframe_1):
dataframe_1.replace({'estado_terminal':{'Activo':1,'Bloqueado':0}}, inplace=True)
#Se seleccionan todas las filas de las columnas 2,3 y 6, y todas que van de la 14 a la 37
dataframe_1 = dataframe_1.iloc[:, [2,4,6] + list(range(14, 37))]
dataframe_1['tecnologiapp_a'] = 0
dataframe_1.loc[dataframe_1['tecnologiapp'] == 'a', 'tecnologiapp_a'] = 1
dataframe_1['tecnologiapp_b'] = 0
dataframe_1.loc[dataframe_1['tecnologiapp'] == 'b', 'tecnologiapp_b'] = 1
dataframe_1['tecnologiapp_c'] = 0
dataframe_1.loc[dataframe_1['tecnologiapp'] == 'c', 'tecnologiapp_c'] = 1
dataframe_1['tecnologiapp_d'] = 0
dataframe_1.loc[dataframe_1['tecnologiapp'] == 'd', 'tecnologiapp_d'] = 1
dataframe_1['tecnologiaaf_a'] = 0
dataframe_1.loc[dataframe_1['tecnologiaaf'] == 'a', 'tecnologiaaf_a'] = 1
dataframe_1['tecnologiaaf_b'] = 0
dataframe_1.loc[dataframe_1['tecnologiaaf'] == 'b', 'tecnologiaaf_b'] = 1
dataframe_1['tecnologiaaf_c'] = 0
dataframe_1.loc[dataframe_1['tecnologiaaf'] == 'c', 'tecnologiaaf_c'] = 1
dataframe_1['tecnologiaaf_d'] = 0
dataframe_1.loc[dataframe_1['tecnologiaaf'] == 'd', 'tecnologiaaf_d'] = 1
dataframe_1['tecnologiaaf_e'] = 0
dataframe_1.loc[dataframe_1['tecnologiaaf'] == 'e', 'tecnologiaaf_e'] = 1
#Se crea DataFRame
data_sel_num = pd.DataFrame()
#Se transforma la data
data_sel_num['log_trx_dia_cero'] = np.log1p(dataframe_1['trx_dia_cero'])
data_sel_num['log_trx_dia_uno'] = np.log1p(dataframe_1['trx_dia_uno'])
data_sel_num['log_trx_dia_dos'] = np.log1p(dataframe_1['trx_dia_dos'])
data_sel_num['log_trx_dia_tres'] = np.log1p(dataframe_1['trx_dia_tres'])
data_sel_num['log_trx_dia_cuatro'] = np.log1p(dataframe_1['trx_dia_cuatro'])
data_sel_num['log_trx_dia_cinco'] = np.log1p(dataframe_1['trx_dia_cinco'])
data_sel_num['log_trx_dia_seis'] = np.log1p(dataframe_1['trx_dia_seis'])
data_sel_num['log_trx_mes_tres'] = np.log1p(dataframe_1['trx_mes_tres'])
data_sel_num['log_trx_mes_dos'] = np.log1p(dataframe_1['trx_mes_dos'])
data_sel_num['log_trx_mes_uno'] = np.log1p(dataframe_1['trx_mes_uno'])
data_sel_num['log_total_terminales'] = np.log1p(dataframe_1['total_terminales'])
data_sel_num['sqrt_cantidad_falla_m3'] = np.power(dataframe_1['cantidad_falla_m3'], 0.1)
data_sel_num['sqrt_cantidad_falla_m2'] = np.power(dataframe_1['cantidad_falla_m3'], 0.1)
data_sel_num['sqrt_cantidad_falla_mes1'] = np.power(dataframe_1['cantidad_falla_mes1'], 0.1)
data_sel_num['log_antiguedad_creacion_terminal'] = np.log1p(dataframe_1['antiguedad_creacion_terminal'])
data_sel_num['log_antiguedad_version'] = np.log1p(dataframe_1['antiguedad_version'])
data_sel_num['log_antiguedad_compra_pos'] = np.log1p(dataframe_1['antiguedad_compra_pos'])
#Se normalizan los datos
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(data_sel_num)
#Se convierte en DataFrame
X_train_scaled_df = pd.DataFrame(X_train_scaled, columns=data_sel_num.columns)
#Agregar campos estado terminal
X_train_scaled_df['estado_terminal'] = dataframe_1['estado_terminal']
X_train_scaled_df['tecnologiapp_a'] = dataframe_1['tecnologiapp_a']
X_train_scaled_df['tecnologiapp_b'] = dataframe_1['tecnologiapp_b']
X_train_scaled_df['tecnologiapp_c'] = dataframe_1['tecnologiapp_c']
X_train_scaled_df['tecnologiapp_d'] = dataframe_1['tecnologiapp_d']
X_train_scaled_df['tecnologiaaf_a'] = dataframe_1['tecnologiaaf_a']
X_train_scaled_df['tecnologiaaf_b'] = dataframe_1['tecnologiaaf_b']
X_train_scaled_df['tecnologiaaf_c'] = dataframe_1['tecnologiaaf_c']
X_train_scaled_df['tecnologiaaf_d'] = dataframe_1['tecnologiaaf_d']
X_train_scaled_df['tecnologiaaf_e'] = dataframe_1['tecnologiaaf_e']
return X_train_scaled_df
# Definir una función para hacer predicciones desde un DataFrame
def predecir_estado(csv_file):
# Leer el archivo CSV
df = pd.read_csv(csv_file, sep =";" ,encoding="latin-1")
#Transformar los datos para el modelo
X_train_scaled_df = transformacion(df)
# Realizar las predicciones
predicciones = modelo.predict(X_train_scaled_df.values)
resultados_red =pd.DataFrame(predicciones, columns=['predictions'])
resultados_red=(resultados_red>0.5).astype(int)
# Crear un DataFrame para mostrar las predicciones
resultados = pd.DataFrame()
resultados['Id terminal'] = df['terminal']
resultados['Estado_Predicho'] = resultados_red
resultados['trx_dia_cero'] = df['trx_dia_cero']
resultados['trx_dia_uno'] = df['trx_dia_uno']
resultados['trx_dia_dos'] = df['trx_dia_dos']
resultados['trx_dia_tres'] = df['trx_dia_tres']
resultados['trx_dia_cuatro'] = df['trx_dia_cuatro']
resultados['trx_dia_cinco'] = df['trx_dia_cinco']
resultados['trx_dia_seis'] = df['trx_dia_seis']
resultados['trx_mes_tres'] = df['trx_mes_tres']
resultados['trx_mes_dos'] = df['trx_mes_dos']
resultados['trx_mes_uno'] = df['trx_mes_uno']
resultados['total_terminales'] = df['total_terminales']
resultados['cantidad_falla_m3'] = df['cantidad_falla_m3']
resultados['cantidad_falla_m2'] = df['cantidad_falla_m2']
resultados['cantidad_falla_mes1'] = df['cantidad_falla_mes1']
resultados['antiguedad_creacion_terminal'] = df['antiguedad_creacion_terminal']
resultados['antiguedad_version'] = df['antiguedad_version']
resultados['antiguedad_compra_pos'] = df['antiguedad_compra_pos']
resultados['tecnologiapp'] = df['tecnologiapp']
resultados['tecnologiaaf'] = df['tecnologiaaf']
return resultados
# Crear la interfaz de Gradio para cargar archivos CSV
entrada = gr.File(label="Subir archivo CSV")
salida = gr.Dataframe(label="Estados de las terminales")
gr.Interface(fn=predecir_estado, inputs=entrada, outputs=salida, title="Clasificación del Estado de Terminales").launch() |