Update app.py

app.py

@@ -2,9 +2,8 @@ import gradio as gr
 import joblib
 import numpy as np
 
-# Carregar o modelo treinado, encoder e objetos de binning da raiz do projeto
+# Carregar o modelo treinado 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")
 
@@ -13,7 +12,7 @@ best_threshold = 0.9400000000000005
 
 # Função para realizar a previsão
 def predict_tiebreak(odds1_input, odds2_input):
-    # Converter as odds para o formato float e garantir que as virgulas sejam substituídas por pontos
+    # Converter as odds para o formato float e garantir que as vírgulas sejam substituídas por pontos
     odds1 = float(str(odds1_input).replace(',', '.'))
     odds2 = float(str(odds2_input).replace(',', '.'))
     
@@ -25,14 +24,12 @@ 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(np.array([[mean_log_odds]]), metric="bins")
-    sum_prob_bin = binning_sum_prob.transform(np.array([[sum_prob]]), metric="bins")
+    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]
     
-    # Codificar as variáveis binadas
-    encoded_features = encoder.transform(np.column_stack((mean_log_odds_bin, sum_prob_bin)))
-
-    # Criar o vetor de features para o modelo
-    features = np.array([[encoded_features[0], encoded_features[1], odds_ratio]])
+    # 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]])
 
     # Realizar a previsão com o modelo
     raw_prob = model.predict_proba(features)[0, 1]  # Probabilidade da classe 1 (menos de 1.5 tiebreaks)