Delete app.py

app.py

@@ -1,88 +0,0 @@
-import numpy as np
-import pandas as pd
-import matplotlib.pyplot as plt
-import warnings
-warnings.filterwarnings('ignore')
-from sklearn.model_selection import train_test_split
-from sklearn.linearRegression import LinearRegression
-from sklearn.metrics import mean_squared_error, r2_score
-from sklearn.compose import ColumnTransformer
-from sklearn.preprocessing import OneHotEncoder, StandardScaler
-from sklearn.pipeline import Pipeline
-import streamlit as st
-
-# Veri okuma
-df = pd.read_excel('iot predictive analysis.xlsx')
-
-# Sütun isimlerindeki boşlukları temizleme
-df.columns = df.columns.str.strip()
-
-# Değişkenlerin açıklaması
-columns_dict = {
-    'footfall': 'Belirli bir süre boyunca bir alandan geçen kişi sayısı.',
-    'atemp': 'Sensörün bulunduğu alanın dış ortam sıcaklığı.',
-    'selfLR': 'Bir cihazın kendi içindeki yük direnci.',
-    'ClinLR': 'Belirli bir klinik ortamda kullanılan yük direnci.',
-    'DoleLR': 'Belirli bir alandaki yük direnci.',
-    'PID': 'Orantısal, integral ve türev kontrol sistemi değeri.',
-    'outpressure': 'Cihazın dış ortam basıncı.',
-    'inpressure': 'Cihazın iç ortam basıncı.',
-    'temp': 'Genel ortam sıcaklığı.',
-    'fail': 'Cihazın arıza durumu.'
-}
-
-# Veri setini özellikler ve hedef olarak ayırma
-y = df.fail
-X = df.drop(['fail'], axis=1)
-
-# Eğitim ve test kümelerine ayırma
-X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
-
-# Ön işleme adımları
-preprocess = ColumnTransformer(transformers=[
-    ('num', StandardScaler(), ['footfall', 'atemp', 'selfLR', 'ClinLR', 'DoleLR', 'PID', 'outpressure', 'inpressure', 'temp'])
-])
-
-# Model tanımlama
-model = LinearRegression()
-pipe = Pipeline(steps=[('preprocessor', preprocess), ('model', model)])
-
-# Modeli eğitme
-pipe.fit(X_train, y_train)
-
-# Tahmin ve değerlendirme
-y_pred = pipe.predict(X_test)
-print("Root Mean Squared Error: ", mean_squared_error(y_test, y_pred) ** 0.5)
-print("R^2 Score: ", r2_score(y_test, y_pred))
-
-# Streamlit uygulaması
-def fail(footfall, atemp, selfLR, ClinLR, DoleLR, PID, outpressure, inpressure, temp):
-    input_data = pd.DataFrame({
-        'footfall': [footfall],
-        'atemp': [atemp],
-        'selfLR': [selfLR],
-        'ClinLR': [ClinLR],
-        'DoleLR': [DoleLR],
-        'PID': [PID],
-        'outpressure': [outpressure],
-        'inpressure': [inpressure],
-        'temp': [temp]
-    })
-    prediction = pipe.predict(input_data)[0]
-    return prediction
-
-st.title("İot Analizi :information: @dryed")
-st.write("Lütfen Sensör Verilerini Giriniz.")
-footfall = st.number_input("Footfall", 0, 10000)
-atemp = st.number_input("Atemp", 0, 100)
-selfLR = st.number_input("SelfLR", 0, 100)
-ClinLR = st.number_input("ClinLR", 0, 100)
-DoleLR = st.number_input("DoleLR", 0, 100)
-PID = st.number_input("PID", 0, 100)
-outpressure = st.number_input("Outpressure", 0, 100)
-inpressure = st.number_input("Inpressure", 0, 100)
-temp = st.number_input("Temp", 0, 100)
-
-if st.button("Predict"):
-    pred = fail(footfall, atemp, selfLR, ClinLR, DoleLR, PID, outpressure, inpressure, temp)
-    st.write("Sensör durumu:  ", pred)