From e1194758b4e87f8be427b6b92f062893a5b3730f Mon Sep 17 00:00:00 2001
From: Mohamed Sebabti <momo.rcm59@gmail.com>
Date: Mon, 24 Mar 2025 09:10:13 +0100
Subject: [PATCH] readme
---
README.md | 56 +++++++++++++++++++++++++++++++++++++++----------------
1 file changed, 40 insertions(+), 16 deletions(-)
diff --git a/README.md b/README.md
index 803e308..e5ed25b 100644
--- a/README.md
+++ b/README.md
@@ -4,14 +4,14 @@
Ce projet vise à prédire la popularité d'une chanson à partir de ses caractéristiques audio. Deux modèles sont intégrés à une interface web :
-- **Modèle binaire** : prédit si une chanson est populaire ('1') ou non ('0')
+- **Modèle binaire** : prédit si une chanson est populaire (`1`) ou non (`0`)
- **Modèle de régression** : prédit une **valeur numérique** de popularité (> 0)
## 🧠 Modèles utilisés
Les modèles sont basés sur des **Random Forest**, entraînés à partir de données Spotify (via Kaggle) :
-- 'random_forest_model_binaire.pkl' : classification binaire
+- `random_forest_model_binaire.pkl` : classification binaire
- `random_forest_model_sup0.pkl` : régression (>0)
Les données sont **normalisées** à l’aide de `StandardScaler` pour chaque modèle.
@@ -19,15 +19,43 @@ Les données sont **normalisées** à l’aide de `StandardScaler` pour chaque m
## 🛠️ Structure du projet
```bash
-📁 bigdata/
+spotify-popularity-prediction-v2/
│
-├── app_glob.py # Script principal Flask
-├── index-glob.html # Page HTML avec double formulaire
-├── scaler_binaire.pkl # Scaler du modèle binaire
-├── scaler_sup0.pkl # Scaler du modèle de régression
-├── random_forest_model_binaire.pkl # Modèle Random Forest binaire
-├── random_forest_model_sup0.pkl # Modèle Random Forest régression
-├── README.md # Ce fichier
+├── templates/ # Contient les fichiers HTML pour l'interface Flask
+│ └── index-glob.html # Interface principale avec onglets pour les 2 modèles
+│
+├── app_glob.py # Application Flask combinant les deux modèles
+├── ml_binairefinal.py # Script de machine learning pour le modèle binaire
+├── mlsup0final.py # Script de machine learning pour le modèle > 0
+│
+├── random_forest_model_binaire.pkl # Modèle binaire entraîné
+├── random_forest_model_sup0.pkl # Modèle régression entraîné
+├── scaler_binaire.pkl # Scaler utilisé pour normaliser les données (binaire)
+├── scaler_sup0.pkl # Scaler utilisé pour normaliser les données (> 0)
+│
+├── data_binaire.csv # Données utilisées pour le modèle binaire
+├── data_sup_0popularity.csv # Données utilisées pour le modèle > 0
+├── data_clean.csv # Données nettoyées
+├── data_clean_test.csv # Données nettoyées pour la competition KAAGLE
+├── submission.csv # Fichier de soumission pour la competition KAAGLE
+│
+├── analytics.ipynb # Analyse exploratoire des données
+├── analytics_for_test.ipynb # Analyses complémentaires ou tests
+│
+├── model_comparasion_sup0.txt # Comparatif des modèles (> 0)
+├── model_comparasion_sup0v2.txt # Version 2 du comparatif
+├── modelbinairefinal.txt # Résultats finaux modèle binaire
+├── result_models_binaire.txt # Résultats détaillés du modèle binaire
+├── result_xgboost_binaire.txt # Résultats du modèle XGBoost binaire
+│
+├── heatmap.png # Visualisation des corrélations
+├── ScreenAnneeRep.PNG #Visualisation
+│
+├── spotify-dashboard.pbix # Tableau de bord Power BI
+├── test_model.py # Script de test des modèles
+├── dico des données.xlsx # Dictionnaire des variables
+└── README.md # Documentation du projet (ce fichier)
+
```
## 💡 Fonctionnalités de l’interface
@@ -106,15 +134,11 @@ http://127.0.0.1:5000/
3. Cliquer sur **"Prédire"**
4. Le résultat s'affiche instantanément sous le formulaire
-## 📸 Aperçu de l’interface
-
-<img src="https://upload.wikimedia.org/wikipedia/commons/2/26/Spotify_logo_with_text.svg" width="200" alt="Spotify Logo">
-*Interface en mode sombre, deux formulaires selon le type de modèle*
## 🧑💻 Auteurs
-- Mohamed Sebabti – Master SIAD, Université Paris Cité
-- [Collègues du projet Big Data SIAD] – pour l'intégration Arduino ↔ base de données
+- Imane El Hamzaoui - Klervi Dagorne - Simon Majorczyk - Mohamed Sebabti – Master SIAD
+- [Collègues du projet Big Data SIAD]
## 📄 Licence
--
GitLab