app.py

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

# Função para realizar a previsão
def predict_tiebreak(odds1_input, odds2_input):
    # 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(',', '.'))
    
    # Calcular as métricas necessárias
    odds_min = min(odds1, odds2)
    odds_max = max(odds1, odds2)
    odds_ratio = odds_min / odds_max
    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([[mean_log_odds]], metric="bins")[0][0]
    sum_prob_bin = binning_sum_prob.transform([[sum_prob]], metric="bins")[0][0]
    
    # 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.fit_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)
    
    # Calcular a odds mínima
    odds_minima = 1 / raw_prob
    
    # Decisão de entrar ou não na aposta
    enter_bet = "Sim" if raw_prob >= best_threshold else "Não"
    
    # Formatando a probabilidade para percentual com duas casas decimais
    prob_percent = f"{round(raw_prob * 100, 2)}%"
    
    # Retornando os valores
    return prob_percent, round(odds_minima, 2), enter_bet

# Interface Gradio
inputs = [gr.Number(label="Odds 1"), gr.Number(label="Odds 2")]
outputs = [gr.Textbox(label="Probabilidade de menos de 1.5 Tiebreaks"), gr.Textbox(label="Odds Mínima"), gr.Textbox(label="Entrar na Aposta?")]

# Criação da interface
gr.Interface(fn=predict_tiebreak, inputs=inputs, outputs=outputs, title="Previsão de Tiebreaks",
             description="Insira as odds para prever a probabilidade de haver menos de 1.5 tiebreaks, calcular as odds mínimas, e decidir se deve entrar na aposta.").launch()