Update app.py

app.py

@@ -1,11 +1,14 @@
 import gradio as gr
 import joblib
 import numpy as np
+import pandas as pd
+from sklearn.preprocessing import OrdinalEncoder
 
 # Carregar o modelo treinado e objetos de binning da raiz do projeto
 model = joblib.load("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")
+encoder = joblib.load("ordinal_encoder_tiebreak_model_v1b.pkl")  # Carregue o encoder treinado
 
 # Definir o melhor threshold encontrado
 best_threshold = 0.9400000000000005
@@ -24,12 +27,17 @@ def predict_tiebreak(odds1_input, odds2_input):
     sum_prob = (1 / odds_min) + (1 / odds_max)
     
     # Aplicar binning nas métricas
-    mean_log_odds_bin = binning_mean_log_odds.transform([[mean_log_odds]], metric="bins")[0]
-    sum_prob_bin = binning_sum_prob.transform([[sum_prob]], metric="bins")[0]
+    mean_log_odds_bin = binning_mean_log_odds.transform([[mean_log_odds]], metric="bins")[0][0]
+    sum_prob_bin = binning_sum_prob.transform([[sum_prob]], metric="bins")[0][0]
     
-    # Substituir o uso de OrdinalEncoder por uma transformação manual baseada nos bins
-    # Aqui simplesmente usamos os valores binados diretamente, assumindo que eles já estão na forma necessária.
-    features = np.array([[mean_log_odds_bin, sum_prob_bin, odds_ratio]])
+    # Preparar os dados para a predição
+    bin_features = np.array([[mean_log_odds_bin, sum_prob_bin]])
+    
+    # Aplicar o OrdinalEncoder nas features binadas
+    encoded_features = encoder.transform(bin_features)
+    
+    # Criar o vetor de features para o modelo
+    features = np.array([[encoded_features[0][0], encoded_features[0][1], odds_ratio]])
 
     # Realizar a previsão com o modelo
     raw_prob = model.predict_proba(features)[0, 1]  # Probabilidade da classe 1 (menos de 1.5 tiebreaks)