HUMANDS / app.py
KikoDM's picture
Update app.py
3aabd65
raw
history blame
4.81 kB
import gradio as gr
import pandas as pd
from joblib import load
def humands(Sex,Age,Monthlyincome,TotalWorkingYears,DistanceFromHome,Overtime,YearsAtCompany,NumCompaniesWorked):
model = load('modelo_entrenado.pkl')
df = pd.DataFrame.from_dict(
{
"Monthlyincome" : [Monthlyincome],
"Age" : [Age],
"TotalWorkingYears" : [TotalWorkingYears],
"DailyRate" : [Monthlyincome*2/30],
"HourlyRate" : [Monthlyincome*2/1640],
"DistanceFromHome" : [DistanceFromHome],
"OverTime_Yes" : [1 if Overtime else 0],
"OverTime_No" : [1 if not Overtime else 0],
"YearsAtCompany" : [YearsAtCompany],
"MonthlyRate" : [Monthlyincome*2],
"NumCompaniesWorked" : [NumCompaniesWorked],
"PercentSalaryHike" : [0],
"YearsInCurrentRole" : [0],
"YearsWithCurrManager" : [0],
"StockOptionLevel" : [0],
"YearsSinceLastPromotion" : [0],
"JobSatisfaction" : [0],
"JobLevel" : [0],
"TrainingTimesLastYear" : [0],
"EnvironmentSatisfaction" : [0],
"WorkLifeBalance" : [0],
"MaritalStatus_Single" : [0],
"JobInvolvement" : [0],
"RelationshipSatisfaction" : [0],
"Education" : [0],
"BusinessTravel_Travel_Frequently" : [0],
"JobRole_Sales Representative" : [0],
"EducationField_Medical" : [0],
"Department_Sales" : [0],
"JobRole_Laboratory Technician" : [0],
"Department_Research & Development" : [0],
"Gender_Female" : [1 if Sex==0 else 0],
"MaritalStatus_Married" : [0],
"JobRole_Sales Executive" : [0],
"EducationField_Technical Degree" : [0],
"Gender_Male" : [1 if Sex==1 else 0],
"EducationField_Life Sciences" : [0],
"BusinessTravel_Travel_Rarely" : [0],
"MaritalStatus_Divorced" : [0],
"JobRole_Research Scientist" : [0],
"EducationField_Marketing" : [0],
"PerformanceRating" : [0],
"EducationField_Other" : [0],
"JobRole_Human Resources" : [0],
"BusinessTravel_Non-Travel" : [0],
"Department_Human Resources" : [0],
"JobRole_Manufacturing Director" : [0],
"JobRole_Healthcare Representative" : [0],
"EducationField_Human Resources" : [0],
"JobRole_Manager" : [0],
"JobRole_Research Director" : [0],
}
)
pred = model.predict(df)[0]
# if pred < 5.0:
# predicted="La nota media que se puede lograr en el grupo serà de "+ str(round(pred,2)) + " Es necesario mejorar mucho"
#elif (pred >=5.0 and pred <=7.0):
# predicted="La nota media que se puede lograr en el grupo serà de "+ str(round(pred,2)) + " . Vais por buen camino"
#else:
# predicted="La nota media que se puede lograr en el grupo serà de "+ str(round(pred,2)) + " . Buen trabajo"
return pred
# return predicted
iface = gr.Interface(
humands,
[
gr.Radio(["Mujer","Hombre"],type = "index",label="Sexo")
gr.inputs.Slider(18,70,1,label="Edad del trabajador"),
gr.inputs.Slider(1000,20000,1,label="Ingresos mensuales del trabajador"),
gr.inputs.Slider(0,40,1,label="Total de años trabajados del trabajador"),
gr.inputs.Slider(0,100,1,label="Distancia del trabajo al domicilio en Km"),
gr.Checkbox(label="¿Realiza horas extras habitualmente?"),
gr.inputs.Slider(0,40,1,label="Años del trabajador en la empresa"),
gr.inputs.Slider(0,40,1,label="Numero de empresas en las que ha estado el trabajador"),
],
"text",
examples=[
[1500,25,20,2,True,2,2],
[1500,25,20,2,False,2,2],
[1500,25,20,2,True,2,2],
],
interpretation="default",
title = 'Student Experience: cómo mejorar la experiencia de aprendizaje en la universidad',
description = '¿Cómo calificarías la experiencia de aprendizaje que viviste/estás viviendo en la universidad? ¿Sabrías decir qué es lo que hace que estás más satisfecho/a con un profesor? Si eres estudiante, ¿preparado/a para saber qué es lo que tienes pedir a tu universidad para tener la mejor experiencia y notas posibles? Si eres profesor/a universitario/a ¿preparado/a para conocer los elementos en los que más tienes que enfocarte para mejorar tu desempeño profesional? Para saber más: https://saturdays.ai/2021/07/29/como-mejorar-la-experiencia-de-aprendizaje-en-la-universidad-con-inteligencia-artificial/',
theme = 'peach'
)
iface.launch()