Update app.py

app.py

@@ -1,39 +1,44 @@
 import gradio as gr
 import joblib
 import numpy as np
+import pandas as pd
 
-# Carregar o novo modelo serializado
-model = joblib.load("tiebreak_model_v1.pkl")
+# Carregar o modelo treinado, encoder e objetos de binning da raiz do projeto
+model = joblib.load("tiebreak_model_v1b.pkl")
+encoder = joblib.load("ordinal_encoder_tiebreak_model_v1b.pkl")
+binning_mean_log_odds = joblib.load("Mean_Log_Odds_binning_tiebreak_model_v1b.pkl")
+binning_sum_prob = joblib.load("Sum_Prob_binning_tiebreak_model_v1b.pkl")
 
-# Definir o ponto de corte
-best_threshold = 0.9420000000000005
+# Definir o melhor threshold encontrado
+best_threshold = 0.9400000000000005
 
 # 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)
+    # Converter as odds para o formato float e garantir que as virgulas sejam substituídas por pontos
+    odds1 = float(str(odds1_input).replace(',', '.'))
+    odds2 = float(str(odds2_input).replace(',', '.'))
     
-    # Identificar a menor e maior odd (não precisamos assumir qual é qual)
+    # Calcular as métricas necessárias
     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)
+    mean_log_odds = (np.log(odds_max) + np.log(odds_min)) / 2
     sum_prob = (1 / odds_min) + (1 / odds_max)
+    
+    # Aplicar binning nas métricas
+    mean_log_odds_bin = binning_mean_log_odds.transform(np.array([mean_log_odds]).reshape(-1, 1), metric="bins")[0]
+    sum_prob_bin = binning_sum_prob.transform(np.array([sum_prob]).reshape(-1, 1), metric="bins")[0]
+    
+    # Codificar as variáveis binadas
+    encoded_features = encoder.transform([[mean_log_odds_bin, sum_prob_bin]])
 
-    # Criando o vetor de features para o modelo
-    features = np.array([[odds_ratio, diff_log_odds, sum_prob]])
+    # Criar o vetor de features para o modelo
+    features = np.array([[encoded_features[0][0], encoded_features[0][1], odds_ratio]])
 
-    # Realizando a previsão com o novo modelo
+    # Realizar a previsão com o modelo
     raw_prob = model.predict_proba(features)[0, 1]  # Probabilidade da classe 1 (menos de 1.5 tiebreaks)
     
-    # Calculando a odds mínima
+    # Calcular a odds mínima
     odds_minima = 1 / raw_prob
     
     # Decisão de entrar ou não na aposta