Update main.py

Author: Mehdi-In-Coding

src/main.py

@@ -1,9 +1,85 @@
-from data_preprocessing import preprocess_data
-from model_training import train_models
+# main.py
+
+
+import os
 import pandas as pd
+import numpy as np
+import matplotlib.pyplot as plt
+import seaborn as sns
+import joblib
+import shap
+import xgboost as xgb
+
+from sklearn.model_selection import train_test_split, GridSearchCV, KFold
+from sklearn.metrics import accuracy_score, confusion_matrix, classification_report
+from sklearn.linear_model import LogisticRegression
+from sklearn.ensemble import RandomForestClassifier
+from sklearn.neural_network import MLPClassifier
+from sklearn.inspection import permutation_importance
+
+# Définition des chemins
+MODELS_PATH = "/content/drive/MyDrive/Titanic-Survival-Predict-main/models"
+
+# Chargement des données
+train_df = pd.read_csv('/content/drive/My Drive/Titanic-Survival-Predict-main/train_cleaned.csv')
+test_df = pd.read_csv('/content/drive/My Drive/Titanic-Survival-Predict-main/test_cleaned.csv')
+
+# Vérification des données
+assert train_df.shape[0] > 0, "Le dataset d'entraînement est vide"
+assert test_df.shape[0] > 0, "Le dataset de test est vide"
+
+# Préparation des données
+X = train_df.drop(columns=['Survived'])
+y = train_df['Survived']
+
+X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, random_state=42)
+
+# Entraînement des modèles
+print("\n--- Entraînement des modèles de base ---")
+logreg = LogisticRegression(max_iter=1000, random_state=42).fit(X_train, y_train)
+rf = RandomForestClassifier(n_estimators=100, random_state=42).fit(X_train, y_train)
+mlp = MLPClassifier(alpha=0.06, hidden_layer_sizes=(50, 50), learning_rate_init=0.03, max_iter=158).fit(X_train, y_train)
+xgb_model = xgb.XGBClassifier(use_label_encoder=False, enable_categorical=True, eval_metric='logloss', random_state=42).fit(X_train, y_train)
+
+# Vérification des modèles
+assert logreg, "Erreur lors de l'entraînement de la Régression Logistique"
+assert rf, "Erreur lors de l'entraînement du RandomForest"
+assert mlp, "Erreur lors de l'entraînement du MLP"
+assert xgb_model, "Erreur lors de l'entraînement de XGBoost"
+
+# Évaluation des modèles
+print("\n--- Évaluation des modèles de base ---")
+for model, name in zip([logreg, rf, mlp, xgb_model], ["Logistic Regression", "RandomForest", "MLP", "XGBoost"]):
+    y_pred = model.predict(X_val)
+    acc = accuracy_score(y_val, y_pred)
+    f1 = classification_report(y_val, y_pred, output_dict=True)["macro avg"]["f1-score"]
+    print(f"{name} - Accuracy: {acc:.4f}, F1-Score: {f1:.4f}")
+
+# Sauvegarde des modèles
+print("\n--- Sauvegarde des modèles ---")
+os.makedirs(MODELS_PATH, exist_ok=True)
+joblib.dump(logreg, f"{MODELS_PATH}/logreg.pkl")
+joblib.dump(rf, f"{MODELS_PATH}/random_forest.pkl")
+joblib.dump(mlp, f"{MODELS_PATH}/mlp.pkl")
+joblib.dump(xgb_model, f"{MODELS_PATH}/xgboost.pkl")
+
+print(f"Les modèles ont été sauvegardés dans {MODELS_PATH}")
+
+# Chargement des modèles sauvegardés pour validation
+print("\n--- Chargement des modèles sauvegardés ---")
+logreg_loaded = joblib.load(f"{MODELS_PATH}/logreg.pkl")
+rf_loaded = joblib.load(f"{MODELS_PATH}/random_forest.pkl")
+mlp_loaded = joblib.load(f"{MODELS_PATH}/mlp.pkl")
+xgb_loaded = joblib.load(f"{MODELS_PATH}/xgboost.pkl")
+
+assert logreg_loaded, "Erreur lors du chargement de la Régression Logistique"
+assert rf_loaded, "Erreur lors du chargement du RandomForest"
+assert mlp_loaded, "Erreur lors du chargement du MLP"
+assert xgb_loaded, "Erreur lors du chargement du XGBoost"
 
-# Charger les données
-train_df, test_df = preprocess_data("data/train.csv", "data/test.csv")
+print("Les modèles ont été correctement chargés.")
 
-# Entraîner les modèles
-train_models(train_df)
+# Passage à la Partie 9 (IA Explicable)
+print("\n--- Exécution de la Partie 9: IA Explicable (XAI) ---")
+os.system("python partie9_xai.py")
+