app.py

import gradio as gr
import joblib
import numpy as np

# Carregar o novo modelo serializado
model = joblib.load("tiebreak_model_v1.pkl")

# Função para realizar a previsão
def predict_tiebreak(odds1_input, odds2_input):
    # Converter vírgulas para pontos caso necessário
    odds1_input = str(odds1_input).replace(',', '.')
    odds2_input = str(odds2_input).replace(',', '.')

    # Converter para float
    odds1 = float(odds1_input)
    odds2 = float(odds2_input)
    
    # Identificar a menor e maior odd (não precisamos assumir qual é qual)
    odds_min = min(odds1, odds2)
    odds_max = max(odds1, odds2)
    
    # Calculando as features com base nas novas métricas
    odds_ratio = odds_min / odds_max
    diff_log_odds = np.log(odds_max) - np.log(odds_min)
    sum_prob = (1 / odds_min) + (1 / odds_max)

    # Criando o vetor de features para o modelo
    features = np.array([[odds_ratio, diff_log_odds, sum_prob]])

    # Realizando a previsão com o novo modelo
    raw_prob = model.predict_proba(features)[0, 1]  # Probabilidade da classe 1 (menos de 1.5 tiebreaks)
    
    # Calculando a odds mínima
    odds_minima = 1 / raw_prob
    
    # Formatando a probabilidade para percentual com duas casas decimais
    prob_percent = f"{round(raw_prob * 100, 2)}%"
    
    # Retornando os valores
    return prob_percent, round(odds_minima, 2)

# Interface Gradio
inputs = [gr.Number(label="Odds 1"), gr.Number(label="Odds 2")]
outputs = [gr.Textbox(label="Probabilidade de menos de 1.5 Tiebreaks"), gr.Textbox(label="Odds Mínima")]

# Criação da interface
gr.Interface(fn=predict_tiebreak, inputs=inputs, outputs=outputs, title="Previsão de Tiebreaks",
             description="Insira as odds para prever a probabilidade de haver menos de 1.5 tiebreaks e calcular as odds mínimas.").launch()