Upload folder using huggingface_hub

README_HF.md

@@ -0,0 +1,33 @@
+---
+title: Employee Turnover Prediction - DEV
+emoji: 🎯
+colorFrom: blue
+colorTo: green
+sdk: gradio
+sdk_version: 5.9.1
+app_file: app.py
+pinned: false
+---
+
+# 🎯 Employee Turnover Prediction - Environment DEV
+
+Interface de test pour prédire le risque de départ des employés.
+
+## 🚀 Modèle
+
+- **Algorithme**: XGBoost avec RandomizedSearchCV
+- **Équilibrage**: SMOTE pour classes déséquilibrées (ratio 5:1)
+- **Tracking**: MLflow pour versioning et reproductibilité
+- **Métriques**: Optimisé pour F1-Score
+
+## 📊 Utilisation
+
+1. Ajustez les paramètres de l'employé (satisfaction, évaluation, projets, etc.)
+2. Cliquez sur "Prédire le risque de départ"
+3. Obtenez la probabilité de turnover et les recommandations
+
+## 🔧 Développement
+
+Ce Space est synchronisé automatiquement via CI/CD depuis la branche `dev` du repository GitHub.
+
+**Repository**: [chaton59/OC_P5](https://github.com/chaton59/OC_P5)

app.py

@@ -1,8 +1,152 @@
-from fastapi import FastAPI
+#!/usr/bin/env python3
+"""
+Interface Gradio pour tester le modèle Employee Turnover en production.
 
-app = FastAPI()
+Déploiement sur Hugging Face Spaces pour tests rapides.
+Version de démonstration - Interface complète en développement.
+"""
+import gradio as gr
+import mlflow
+import mlflow.sklearn
 
 
-@app.get("/")
-def root():
-    return {"status": "Hello World"}
+# Configuration MLflow
+mlflow.set_tracking_uri("sqlite:///mlflow.db")
+
+# Charger le modèle le plus récent
+MODEL_URI = "models:/Employee_Turnover_Model/latest"
+# Fallback: utiliser un run_id spécifique si le modèle n'est pas enregistré
+FALLBACK_RUN_ID = "2dd66b2b125646e19cf123c6944c9185"
+
+
+def load_model():
+    """Charge le modèle depuis MLflow."""
+    try:
+        model = mlflow.sklearn.load_model(MODEL_URI)
+        print(f"✅ Modèle chargé depuis Model Registry: {MODEL_URI}")
+        return model
+    except Exception as e:
+        print(f"⚠️ Model Registry non disponible, utilisation du run_id: {e}")
+        try:
+            model = mlflow.sklearn.load_model(f"runs:/{FALLBACK_RUN_ID}/model")
+            print(f"✅ Modèle chargé depuis run_id: {FALLBACK_RUN_ID}")
+            return model
+        except Exception as e2:
+            print(f"❌ Erreur lors du chargement du modèle: {e2}")
+            return None
+
+
+# Charger le modèle au démarrage
+try:
+    model = load_model()
+    MODEL_LOADED = model is not None
+except Exception as e:
+    print(f"❌ Erreur lors du chargement du modèle: {e}")
+    MODEL_LOADED = False
+    model = None
+
+
+def get_model_info():
+    """Retourne les informations sur le modèle."""
+    if not MODEL_LOADED:
+        return {
+            "status": "❌ Modèle non disponible",
+            "error": "Le modèle n'a pas pu être chargé depuis MLflow",
+            "solution": "Vérifiez que main.py a bien été exécuté pour entraîner le modèle",
+        }
+
+    try:
+        # Obtenir des informations sur le modèle
+        client = mlflow.MlflowClient()
+        runs = client.search_runs(
+            experiment_ids=["1"], order_by=["start_time DESC"], max_results=1
+        )
+
+        if runs:
+            run = runs[0]
+            metrics = run.data.metrics
+            return {
+                "status": "✅ Modèle chargé avec succès",
+                "run_id": run.info.run_id[:8],
+                "f1_score": f"{metrics.get('f1_score', 0):.4f}",
+                "accuracy": f"{metrics.get('accuracy', 0):.4f}",
+                "features": "~50 features (après preprocessing)",
+                "algorithme": "XGBoost + SMOTE",
+                "info": "Interface de prédiction en développement - API FastAPI à venir",
+            }
+        else:
+            return {
+                "status": "✅ Modèle chargé",
+                "info": "Pas de métriques disponibles",
+                "run_id": FALLBACK_RUN_ID[:8],
+            }
+
+    except Exception as e:
+        return {"status": "✅ Modèle chargé (info limitées)", "error": str(e)}
+
+
+# Interface Gradio
+with gr.Blocks(
+    title="Employee Turnover Prediction - DEV", theme=gr.themes.Soft()
+) as demo:
+    gr.Markdown("# 🎯 Prédiction du Turnover - Employee Attrition")
+    gr.Markdown("## Environment DEV - Test de déploiement CI/CD")
+
+    gr.Markdown(
+        """
+    ### 📊 Statut du projet
+
+    Ce Space est synchronisé automatiquement depuis GitHub (branche `dev`).
+
+    **Actuellement disponible :**
+    - ✅ Pipeline d'entraînement MLflow complet (`main.py`)
+    - ✅ Déploiement automatique CI/CD (GitHub Actions → HF Spaces)
+    - ✅ Tests unitaires et linting automatisés
+
+    **En développement :**
+    - 🚧 Interface de prédiction interactive
+    - 🚧 API FastAPI avec endpoints de prédiction
+    - 🚧 Intégration PostgreSQL pour tracking des prédictions
+    """
+    )
+
+    with gr.Row():
+        with gr.Column():
+            gr.Markdown("### 🔍 Informations sur le modèle")
+            check_btn = gr.Button("📊 Vérifier le statut du modèle", variant="primary")
+
+        with gr.Column():
+            model_output = gr.JSON(label="Statut")
+
+    check_btn.click(fn=get_model_info, inputs=[], outputs=model_output)
+
+    gr.Markdown("---")
+
+    gr.Markdown(
+        """
+    ### 🛠️ Prochaines étapes (selon etapes.txt)
+
+    1. **Étape 3** : Développement API FastAPI
+       - Endpoints de prédiction avec validation Pydantic
+       - Chargement dynamique des preprocessing artifacts (scaler, encoders)
+       - Documentation Swagger/OpenAPI automatique
+
+    2. **Étape 4** : Intégration PostgreSQL
+       - Stockage des inputs/outputs des prédictions
+       - Traçabilité complète des requêtes
+
+    3. **Étape 5** : Tests unitaires et fonctionnels
+       - Tests des endpoints API
+       - Tests de charge et performance
+       - Couverture de code avec pytest-cov
+
+    ### 📚 Documentation
+    - **Repository GitHub** : [chaton59/OC_P5](https://github.com/chaton59/OC_P5)
+    - **MLflow Tracking** : Disponible en local (`./scripts/start_mlflow.sh`)
+    - **Métriques** : F1-Score optimisé, gestion classes déséquilibrées (SMOTE)
+    """
+    )
+
+
+if __name__ == "__main__":
+    demo.launch(server_name="0.0.0.0", server_port=7860, share=False)

requirements.txt

@@ -13,3 +13,4 @@ numpy==2.0.2
 pandas==2.2.3
 joblib==1.4.2
 mlflow==3.8.0
+gradio==5.9.1