Upload 8 files

ann_model.h5

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:37ed7c2d8714a63df63b64030ecf89d924bf5db817611618b68402a2c18f45ac
+size 67408

ann_model_scaler.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:75d15cc02db058e1b21df7eb6b8dd01cd3fcfc0ddcb6015e1cf94468e1122f1e
+size 1336

app.py

@@ -0,0 +1,137 @@
+# app.py : Application Streamlit avec Modèle Classique et ANN
+
+import streamlit as st
+import pandas as pd
+import numpy as np
+import joblib
+import matplotlib.pyplot as plt
+from tensorflow.keras.models import load_model
+
+st.set_page_config(page_title="App Cardiaque", layout="centered")
+
+# Chargement des modèles et scalers
+model = joblib.load("meilleur_modele.pkl")
+scaler = joblib.load("scaler.pkl")
+ann_model = load_model("ann_model.h5")
+ann_scaler = joblib.load("ann_model_scaler.pkl")['scaler']
+
+def home():
+    st.title("🫀 Application de Prédiction Cardiaque")
+    st.markdown(
+        """
+        Cette application prédit le **risque de décès** chez les patients atteints d'insuffisance cardiaque
+        à partir de données cliniques.
+
+        **Fonctionnalités :**
+        - Prédiction individuelle (modèle classique)
+        - Prédiction avec modèle ANN (réseau de neurones)
+        - Chargement de fichiers CSV pour des prédictions multiples
+        - Historique de session
+        - Visualisation des probabilités et importance des variables
+
+        """
+    )
+
+def collect_input():
+    age = st.slider("Âge", 18, 100, 50)
+    anaemia = st.selectbox("Anémie", [0, 1], format_func=lambda x: "Oui" if x else "Non")
+    creatinine_phosphokinase = st.number_input("Créatinine phosphokinase", 10, 10000, 200)
+    diabetes = st.selectbox("Diabète", [0, 1], format_func=lambda x: "Oui" if x else "Non")
+    ejection_fraction = st.slider("Fraction d'éjection (%)", 10, 80, 35)
+    high_blood_pressure = st.selectbox("Hypertension", [0, 1], format_func=lambda x: "Oui" if x else "Non")
+    platelets = st.number_input("Plaquettes (en µL)", 25000.0, 850000.0, 300000.0)
+    serum_creatinine = st.number_input("Créatinine sérique", 0.1, 10.0, 1.0)
+    serum_sodium = st.slider("Sodium sérique", 110, 150, 135)
+    sex = st.selectbox("Sexe", [0, 1], format_func=lambda x: "Homme" if x else "Femme")
+    smoking = st.selectbox("Fumeur", [0, 1], format_func=lambda x: "Oui" if x else "Non")
+    time = st.slider("Temps depuis admission (jours)", 0, 300, 100)
+
+    return pd.DataFrame([{
+        'age': age, 'anaemia': anaemia, 'creatinine_phosphokinase': creatinine_phosphokinase,
+        'diabetes': diabetes, 'ejection_fraction': ejection_fraction, 'high_blood_pressure': high_blood_pressure,
+        'platelets': platelets, 'serum_creatinine': serum_creatinine, 'serum_sodium': serum_sodium,
+        'sex': sex, 'smoking': smoking, 'time': time
+    }])
+
+def prediction_page():
+    st.title("🔍 Prédiction Individuelle (Modèle Classique)")
+    input_df = collect_input()
+    st.write("### Données entrées :", input_df)
+
+    if st.button("Prédire avec modèle classique"):
+        X_scaled = scaler.transform(input_df)
+        prediction = model.predict(X_scaled)[0]
+        proba = model.predict_proba(X_scaled)[0]
+        st.markdown(f"**Probabilité de décès :** {proba[1]*100:.2f}%")
+        st.markdown(f"**Probabilité de survie :** {proba[0]*100:.2f}%")
+
+        fig, ax = plt.subplots()
+        ax.bar(["Survie", "Décès"], proba, color=["green", "red"])
+        st.pyplot(fig)
+
+        if prediction == 1:
+            st.error("⚠️ Risque élevé de décès détecté.")
+        else:
+            st.success("✅ Le patient a de bonnes chances de survie.")
+
+        if "history" not in st.session_state:
+            st.session_state["history"] = []
+        st.session_state["history"].append({
+            "Survie (%)": round(proba[0]*100, 2),
+            "Décès (%)": round(proba[1]*100, 2),
+            "Décès prédit": "Oui" if prediction == 1 else "Non"
+        })
+
+def ann_prediction_page():
+    st.title("🤖 Prédiction avec Réseau de Neurones (ANN)")
+    input_df = collect_input()
+    st.write("### Données entrées :", input_df)
+
+    if st.button("Prédire avec modèle ANN"):
+        X_ann_scaled = ann_scaler.transform(input_df)
+        ann_pred = ann_model.predict(X_ann_scaled)[0][0]
+        st.metric("Probabilité de décès (ANN)", f"{ann_pred*100:.2f}%")
+
+        fig, ax = plt.subplots()
+        ax.bar(["Survie", "Décès"], [1-ann_pred, ann_pred], color=["green", "red"])
+        st.pyplot(fig)
+
+        if ann_pred >= 0.5:
+            st.error("⚠️ Risque élevé détecté (ANN)")
+        else:
+            st.success("✅ Faible risque détecté (ANN)")
+
+def batch_prediction_page():
+    st.title("📁 Prédiction depuis un Fichier CSV")
+    uploaded_file = st.file_uploader("Charger un fichier CSV", type="csv")
+    if uploaded_file:
+        try:
+            data = pd.read_csv(uploaded_file)
+            X_scaled = scaler.transform(data)
+            preds = model.predict(X_scaled)
+            probas = model.predict_proba(X_scaled)
+            data["Décès prédit"] = preds
+            data["Probabilité de décès"] = np.round(probas[:, 1] * 100, 2)
+            st.dataframe(data)
+            st.download_button("📥 Télécharger résultats", data.to_csv(index=False), "resultats.csv")
+        except Exception as e:
+            st.error(f"Erreur lors du traitement : {e}")
+
+def history_page():
+    st.title("📚 Historique de Prédictions")
+    if "history" in st.session_state and st.session_state["history"]:
+        hist_df = pd.DataFrame(st.session_state["history"])
+        st.dataframe(hist_df)
+    else:
+        st.info("Aucune prédiction enregistrée dans cette session.")
+
+pages = {
+    "🏠 Accueil": home,
+    "🔍 Prédiction (Classique)": prediction_page,
+    "🤖 Prédiction Deep Learning": ann_prediction_page,
+    "📁 Prédiction en lot": batch_prediction_page,
+    "📚 Historique": history_page
+}
+
+choice = st.sidebar.radio("Navigation", list(pages.keys()))
+pages[choice]()

meilleur_modele.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:456f291fc453354f9a7bca1c093e905d69a8208e61a8935191ff2d34f200e1d1
+size 1986425

random_forest_optimise.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:fc3bdf8b6e68d80f6c9e3f175af0b1bd7905fd7c1a7ef141e93a92ccf4d6c1c8
+size 3917625

scaler.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:5d477972299ba08445507af6e5c5003c909a8bce771b9e481ffc6ffaf9711580
+size 1319