Cette application web interactive, développée avec Streamlit, permet d’estimer le prix médian d’une maison en Californie à partir de ses caractéristiques géographiques et démographiques.
Le modèle de prédiction est un modèle de forêt aléatoire (RandomForestRegressor) pré-entraîné et sauvegardé, chargé via joblib.
- Interface utilisateur intuitive avec des champs de saisie numériques et sliders pour les caractéristiques suivantes :
- Longitude et latitude
- Âge médian des maisons
- Nombre moyen de pièces et chambres
- Population locale et nombre de ménages
- Revenu médian du quartier
- Proximité de l'océan (catégorielle)
- Prédiction instantanée via un bouton dédié, affichage clair et stylisé du prix médian estimé.
- Protection de la vie privée : aucune donnée personnelle n’est collectée ou stockée.
├── rfr_model.pkl # Modèle pré-entraîné (Random Forest)
├── app.py # Script principal Streamlit
├── README.md # Documentation
└── requirements.txt # Dépendances nécessairesstreamlit run main.pyLe navigateur ouvrira l’interface.
Vous pourrez ajuster les paramètres et obtenir la prédiction du prix.
Le modèle de forêt aléatoire a été entraîné sur le jeu de données California Housing, dont le notebook est disponible ici.
- Ce modèle est un prototype pédagogique et ne garantit pas une précision parfaite en conditions réelles.
- Les données saisies ne sont pas stockées, respectant ainsi la confidentialité de l'utilisateur.
Quentin HECQUET ➜ Droits des personnes, sécurité et registre de traitement.
Amadou BOUBACAR ➜ Identifier les données, AIPD, PSSI.
Mickael GAILLARD ➜ Créer et entraîner du modèle, les principes éthiques.
