appc.py

app.py

@@ -67,42 +67,59 @@ import streamlit as st
 from models.cnn import CNNModel
 from models.sca import CustomSCA
 
-# 1. Définir la fonction objectif
-def objective_function(solution):
-    params = {
-        'filter1': int(solution[0]),
-        'filter2': int(solution[1]),
-        'filter3': int(solution[2]),
-        'learning_rate': solution[3],
-        'dropout': solution[4]
-    }
-    model = CNNModel(input_shape=(100, 1), num_classes=5)  # Ajuster selon vos données
-    _, val_acc = model.train(X_train, y_train, params, epochs=3)
-    return 1 - val_acc  # On minimise l'erreur
+    st.markdown("---")
+    st.subheader("🔧 Optimisation du modèle CNN via SCA")
 
-# 2. Configurer SCA
-bounds = [
-    (32, 256),    # filter1
-    (64, 512),     # filter2
-    (128, 1024),   # filter3
-    (0.0001, 0.01), # learning_rate
-    (0.1, 0.7)      # dropout
-]
+    if st.button("Optimiser"):
+        # Vérification si X_train et y_train sont prêts
+        try:
+            # Prépare tes données ici si ce n'est pas déjà fait
+            X_train = np.array(st.session_state['processed_df'].iloc[:, :-1])
+            y_train = np.array(st.session_state['processed_df'].iloc[:, -1])
 
-if st.button("Optimiser le CNN avec SCA"):
-    sca = CustomSCA(obj_func=objective_function, bounds=bounds)
-    result = sca.optimize()
-    
-    st.write("Meilleurs hyperparamètres trouvés:")
-    st.json({
-        'Filtres': [int(result['best_solution'][0]), 
-                   int(result['best_solution'][1]), 
-                   int(result['best_solution'][2])],
-        'Learning Rate': result['best_solution'][3],
-        'Dropout': result['best_solution'][4],
-        'Précision validation': f"{1 - result['best_fitness']:.2%}"
-    })
-    
-    st.line_chart({
-        'Erreur': result['convergence_curve']
-    })
+            # Remodèle X pour CNN (batch, time, features)
+            X_train = X_train.reshape((X_train.shape[0], X_train.shape[1], 1))
+
+            # 1. Définir la fonction objectif (mise à jour ici avec accès aux données)
+            def objective_function(solution):
+                params = {
+                    'filter1': int(solution[0]),
+                    'filter2': int(solution[1]),
+                    'filter3': int(solution[2]),
+                    'learning_rate': solution[3],
+                    'dropout': solution[4]
+                }
+                model = CNNModel(input_shape=(X_train.shape[1], 1), num_classes=len(np.unique(y_train)))
+                _, val_acc = model.train(X_train, y_train, params, epochs=3)
+                return 1 - val_acc
+
+            # 2. Exécution de SCA
+            bounds = [
+                (32, 256),    # filter1
+                (64, 512),    # filter2
+                (128, 1024),  # filter3
+                (0.0001, 0.01), # learning_rate
+                (0.1, 0.7)      # dropout
+            ]
+
+            sca = CustomSCA(obj_func=objective_function, bounds=bounds)
+            result = sca.optimize()
+
+            st.success("Optimisation terminée ✅")
+
+            st.write("### Meilleurs hyperparamètres trouvés :")
+            st.json({
+                'Filtres': [int(result['best_solution'][0]), 
+                           int(result['best_solution'][1]), 
+                           int(result['best_solution'][2])],
+                'Learning Rate': result['best_solution'][3],
+                'Dropout': result['best_solution'][4],
+                'Précision validation': f"{1 - result['best_fitness']:.2%}"
+            })
+
+            st.line_chart({
+                'Erreur': result['convergence_curve']
+            })
+        
+        except Exception as e:
+            st.error(f"Erreur pendant l'optimisation : {e}")