Update models.py

models.py

@@ -240,12 +240,11 @@ def train_lstm(data, country, start_date, end_date, lstm_units, epochs, look_bac
         raise ValueError(f"Erreur LSTM: {str(e)}\nContexte: {error_details}")
 
 def train_bayesian_network(data, country, start_date, end_date,
-                        taux_directeur_change=0, pib_change=0, m2_change=0):
-    """Réseau Bayésien avec compatibilité pgmpy moderne"""
+                taux_directeur_change=0, pib_change=0, m2_change=0):
     start_time = time.time()
     
     try:
-        # [1] Préparation des données (identique)
+        # 1. Préparation des données
         country_data = data[data['Pays'] == country]
         filtered_data = country_data[
             (country_data['Année'] >= str(start_date)) & 
@@ -253,22 +252,22 @@ def train_bayesian_network(data, country, start_date, end_date,
         ].sort_values('Année')
         
         modified_data = apply_scenarios(filtered_data, taux_directeur_change, pib_change, m2_change)
-        
-        # [2] Discrétisation améliorée
         df = modified_data.copy()
-        variables = [
-            ("Taux d'inflation (%)", "Inflation"),
-            ("Masse monétaire (M2)", "M2"),
-            ("Croissance PIB (%)", "PIB"),
-            ("Taux directeur", "TauxDirecteur"),
-            ("Balance commerciale", "Balance"),
-            ("Taux de change FCFA/USD", "Change")
-        ]
-        
-        for src, dest in variables:
+
+        # 2. Discrétisation avec mapping clair
+        discretized_cols = {
+            "Taux d'inflation (%)": "Inflation",
+            "Masse monétaire (M2)": "M2",
+            "Croissance PIB (%)": "PIB",
+            "Taux directeur": "TauxDirecteur",
+            "Balance commerciale": "Balance",
+            "Taux de change FCFA/USD": "Change"
+        }
+
+        for src, dest in discretized_cols.items():
             df[dest] = pd.qcut(df[src], q=5, duplicates='drop', labels=False).astype(int)
-        
-        # [3] Construction du réseau
+
+        # 3. Construction et entraînement du modèle
         model = BayesianNetwork([
             ("M2", "Inflation"),
             ("PIB", "Inflation"),
@@ -276,8 +275,6 @@ def train_bayesian_network(data, country, start_date, end_date,
             ("Balance", "Inflation"),
             ("Change", "Inflation")
         ])
-        
-        # [4] Entraînement avec vérification
         model.fit(df, estimator=MaximumLikelihoodEstimator)
         
         # [5] Correction des CPDs (version compatible pgmpy 0.1.12+)
@@ -349,7 +346,7 @@ def train_bayesian_network(data, country, start_date, end_date,
         
     except Exception as e:
         error_details = {
-            'shape': modified_data.shape if 'modified_data' in locals() else None,
-            'discretization': {v: len(np.unique(df[v])) for v in variables} if 'df' in locals() else None
+            'columns': list(modified_data.columns) if 'modified_data' in locals() else None,
+            'discretized': list(discretized_cols.values()) if 'discretized_cols' in locals() else None
         }
         raise ValueError(f"Erreur Réseau Bayésien: {str(e)}\nContexte: {error_details}")