app.py

import streamlit as st
import pandas as pd
import joblib

import streamlit as st
import eda
import models


page = st.sidebar.selectbox(label='Select Page:', options=['Home Page', 'Exploration Data Analysis', 'Model Prediksi'])

if page == 'Home Page':
    st.header('Welcome Page') 
    st.write('')
    st.write('Milestone 2')
    st.write('Nama      : Ryan Trisnadi')
    st.write('Batch     : ')
    st.write('Tujuan Milestone    : Prediksi harga rumah di Melbourne')
    st.write('')
    st.caption('Silahkan pilih menu lain di Select Box pada sebelah kiri layar anda untuk memulai!')
    st.write('')
    st.write('')
    with st.expander("Latar Belakang"):
        st.caption('Proyek ini dibuat untuk mengilustrasikan dan memproyek kedepan harga rumah di kota Melbourne, Australia. Kita akan menguji dengan Linear regression
dengan beberapa test algorithma seperti SVM, Decision Tree, Random Forest, dan Boosting. Oleh karena itu, kita akan memilih variable "price" atau harga
rumah sebagai target. Dengan mengunakan Pipeline di setiap proses dari Feature Engineering, kita bisa membuat proses lebih efisien dan mencegah data leak. 
Dataset tersebut memiliki beberapa faktor seperti alamat, kode pos, harga rumah, lokasi lingkungan, kamar, kamar mandi, garasi, besar tanah, umur dan 
lain-lain'.)

elif page == 'Exploration Data Analysis':
    eda.run()
else:
     models.run()