Create submission.py

Author: Mehdi-In-Coding

tests/submission.py

@@ -0,0 +1,145 @@
+# partie 10 
+
+#       submission.py
+
+
+import pandas as pd
+import joblib
+from sklearn.linear_model import LogisticRegression
+from google.colab import files
+from IPython.core.display import display, HTML
+
+# Affichage d'un titre stylisé
+display(HTML("""
+<h1 style="color:#2c3e50; font-size: 32px; font-weight: bold; text-shadow: 2px 2px 4px rgba(0, 0, 0, 0.5);">
+Partie 10: Création du fichier de soumission
+</h1>
+"""))
+
+# ================================
+# ⚡ CHARGEMENT DES DONNÉES
+# ================================
+
+# Charger les fichiers de test
+test_df = pd.read_csv('/content/drive/My Drive/Titanic-Survival-Predict-main/test_cleaned.csv')
+
+# Vérifier que la colonne PassengerId existe
+assert 'PassengerId' in test_df.columns, "🚨 ERREUR : La colonne 'PassengerId' est absente du dataset test !"
+
+# Extraire les caractéristiques
+X_test = test_df.drop(columns=['PassengerId'])
+
+# Vérifier que X_test n'est pas vide
+assert not X_test.empty, "🚨 ERREUR : Le dataset X_test est vide après suppression de 'PassengerId' !"
+
+# ================================
+# ⚡ CHARGEMENT DES MODÈLES
+# ================================
+
+# Définir les chemins des modèles
+logreg_model_path = '/content/drive/MyDrive/Titanic-Survival-Predict-main/Models/logistic_regression_model.pkl'
+rf_model_path = '/content/drive/MyDrive/Titanic-Survival-Predict-main/Models/random_forest_model.pkl'
+xgb_model_path = '/content/drive/MyDrive/Titanic-Survival-Predict-main/Models/xgboost_model.pkl'
+
+# Charger les modèles
+final_logreg = joblib.load(logreg_model_path)
+final_rf = joblib.load(rf_model_path)
+final_xgb = joblib.load(xgb_model_path)
+
+# Vérifier que les modèles sont bien chargés
+assert isinstance(final_logreg, LogisticRegression), "🚨 ERREUR : Le modèle LogisticRegression n'est pas chargé correctement !"
+assert hasattr(final_rf, "predict"), "🚨 ERREUR : Le modèle RandomForest n'est pas chargé correctement !"
+assert hasattr(final_xgb, "predict"), "🚨 ERREUR : Le modèle XGBoost n'est pas chargé correctement !"
+
+# ================================
+# ⚡ PRÉDICTION DES MODÈLES DE BASE
+# ================================
+
+print("\n--- Génération des prédictions des modèles de base sur le jeu de test ---")
+
+# Faire les prédictions avec chaque modèle
+test_pred_logreg = final_logreg.predict(X_test)
+test_pred_rf = final_rf.predict(X_test)
+test_pred_xgb = final_xgb.predict(X_test)
+
+# Vérifier que les prédictions ont la bonne taille
+assert len(test_pred_logreg) == len(X_test), "🚨 ERREUR : Problème de taille des prédictions logreg !"
+assert len(test_pred_rf) == len(X_test), "🚨 ERREUR : Problème de taille des prédictions rf !"
+assert len(test_pred_xgb) == len(X_test), "🚨 ERREUR : Problème de taille des prédictions xgb !"
+
+# Créer un DataFrame avec ces prédictions
+test_meta_features = pd.DataFrame({
+    'logreg_pred': test_pred_logreg,
+    'rf_pred': test_pred_rf,
+    'xgb_pred': test_pred_xgb
+})
+
+print("✅ Prédictions des modèles de base sur le jeu de test générées avec succès.")
+
+# ================================
+# ⚡ ENTRAÎNEMENT DU MODÈLE MÉTA
+# ================================
+
+print("\n--- Entraînement du modèle Meta (Régression Logistique) ---")
+
+# Générer les prédictions sur l'entraînement pour créer un modèle méta
+train_pred_logreg = final_logreg.predict(X_test)
+train_pred_rf = final_rf.predict(X_test)
+train_pred_xgb = final_xgb.predict(X_test)
+
+# Vérifier que les prédictions sont valides
+assert len(train_pred_logreg) == len(X_test), "🚨 ERREUR : Problème de taille des prédictions logreg sur le train !"
+assert len(train_pred_rf) == len(X_test), "🚨 ERREUR : Problème de taille des prédictions rf sur le train !"
+assert len(train_pred_xgb) == len(X_test), "🚨 ERREUR : Problème de taille des prédictions xgb sur le train !"
+
+# Créer le dataset pour le modèle méta
+train_meta_features = pd.DataFrame({
+    'logreg_pred': train_pred_logreg,
+    'rf_pred': train_pred_rf,
+    'xgb_pred': train_pred_xgb
+})
+
+# Entraîner le modèle méta (Régression Logistique)
+meta_model = LogisticRegression(max_iter=1000, random_state=42)
+meta_model.fit(train_meta_features, test_pred_logreg)
+
+print("✅ Modèle Meta entraîné avec succès.")
+
+# ================================
+# ⚡ PRÉDICTION FINALE
+# ================================
+
+print("\n--- Prédiction avec le modèle Meta ---")
+
+# Faire les prédictions finales
+y_test_pred = meta_model.predict(test_meta_features)
+
+# Vérifier la taille des prédictions finales
+assert len(y_test_pred) == len(X_test), "🚨 ERREUR : Problème de taille des prédictions finales du modèle méta !"
+
+# ================================
+# ⚡ CRÉATION DU FICHIER DE SOUMISSION
+# ================================
+
+print("\n--- Création du fichier de soumission ---")
+
+# Créer le fichier de soumission
+submission = pd.DataFrame({
+    'PassengerId': test_df['PassengerId'],
+    'Survived': y_test_pred
+})
+
+# Sauvegarde en CSV
+submission_file = 'submission.csv'
+submission.to_csv(submission_file, index=False)
+
+# Vérifier que le fichier est bien sauvegardé
+assert os.path.exists(submission_file), f"🚨 ERREUR : Le fichier {submission_file} n'a pas été créé !"
+
+print(f"✅ Fichier de soumission '{submission_file}' créé avec succès !")
+
+# ================================
+# ⚡ TÉLÉCHARGEMENT DU FICHIER
+# ================================
+files.download(submission_file)
+print("✅ Téléchargement du fichier terminé.")