Prédicteur de Prix d'Avocats 🥑 Cette application fullstack permet de prédire le prix moyen des avocats en utilisant une pipeline. Elle utilise Flask pour le backend et Streamlit pour le frontend.

Structure du Projet prompt : Génère moi le code pour pour une application fonctionnelle et optimisée fullstack avec flask pour la partie backend et Streamlit pour la partie frontend. avocado-predict/ ├── backend/ │ └── models │ └── avocado_pipeline.pkl | └── app.py | └── requirements.txt ├── frontend/ | └── streamlit_app.py | └── requirements.txt └── README.md └── test_pipeline.py Créer un environnement virtuel : python -m venv .venv source .venv/bin/activate # Sur Windows : .venv\Scripts\activate Installer les dépendances : mettre les dépendances dans le fichier requirement.txt pour le front et le back. installer dépendances pour le back cd back pip install -r requirements.txt

installer dépendances pour le front cd front pip install -r requirements.txt Créer un fichier inspect.pipeline.py à la racine du projet pour inspecter la pipeline prompt : "Pouvez-vous me fournir un script Python qui inspecte en détail le contenu d'un pipeline scikit-learn sauvegardé dans un fichier pickle ? Le script devrait : Charger le pipeline depuis un fichier .pkl Afficher la structure de la pipeline Afficher les données de la pipeline ou autres informations pouvant être utiles pour créer une application fullsatcak à partir de ce modèle d'entraînement. python inspect_pipeline.py Créer une application fullstack prompt : Maintenant que tu as inspecté ma pipeline , génères moi un code pour une application fullstack optimisée et fonctionelle. Maintenant organise regroupe moi les niveaux de qaulité ensembles comme tu la fait avec les types de sacs. Utilisation Lancer le backend (dans un terminal) : cd back python3 app.py Lancer le frontend (dans un autre terminal) : cd front streamlit run streamlit_app.py Ouvrir votre navigateur à l'adresse indiquée : http://localhost:8501 Fonctionnalités Prédiction du prix des avocats basée sur différentes caractéristiques. Classement des caractéritiques de la pipe line en 2 c&tégories : numériques et catégorielles API REST pour les prédictions Gestion des erreurs Technologies Utilisées Backend : Flask, scikit-learn, XGBoost Frontend : Streamlit Modèle d'entraînment : Pipeline scikit-learn, XGBoost Auteur Laura Baratier et Romance

Licence Ce projet est sous licence MIT.