[FIX] app.y

* Update Soms_FraudDetection.py

fraud_detection/Soms_FraudDetection.py

@@ -248,7 +248,7 @@ def getBestModel(
 
         except:
             print("error in getFrauds")
-            break
+            continue
 
     return best_model, mean_performance, best_parameters
 

fraud_detection/app.py

@@ -1,94 +1,112 @@
 import streamlit as st
-from pylab import bone, colorbar, pcolor, plot, show
+import matplotlib.pyplot as plt
+from pylab import bone, colorbar, pcolor, plot
 from Soms_FraudDetection import getData, getFrauds, getMetrics, load_model, transformData
 
-# Importacion del conjunto de datos
+# Importación del conjunto de datos
 dataset, features, isFraud = getData()
 # Preprocesamiento de los datos
 features, sc = transformData(features)
 
+# Cargar el modelo SOM
 models = {"Self-Organizing Map": load_model("./fraud_detection/som.p")}
 
+# Configuración del layout
+st.set_page_config(page_title="Detección de Fraudes", layout="wide")
+
 # Sección de introducción
-st.title("Predicción de fraudes usando mapas auto-organizados")
-st.write(
+st.title("Predicción de Fraudes usando Mapas Auto-Organizados")
+st.markdown(
     """
-    * Bienvenid@ a este sencillo ejemplo que ejecuta un modelo entrenado 
-    de IA usando mapas auto-organizados para encontrar potenciales fraudes.
-
-    * La base de datos utilizada proviene del siguiente link: https://archive.ics.uci.edu/ml/datasets/credit+approval
+    **Bienvenid@ a la herramienta de detección de fraudes.**
+    
+    Esta aplicación utiliza Mapas Auto-Organizados (SOM) para predecir posibles fraudes en el conjunto de datos de aprobación de crédito. 
+    A continuación, puedes ver cómo el modelo ha identificado los posibles fraudes, junto con métricas de precisión.
+    
+    #### Dataset utilizado:
+    - [UCI Credit Approval Dataset](https://archive.ics.uci.edu/ml/datasets/credit+approval)
     """
 )
 
+# Panel lateral para selección de modelo y parámetros
+st.sidebar.markdown("## Configuración del Modelo")
+
 # Selección del modelo
 model_selector = st.sidebar.selectbox("Selecciona el modelo a utilizar:", list(models.keys()))
 
-
-# Especificación de datos
-st.sidebar.markdown(
-    """
-    # Especificamos las características:
-    """
-)
-
-st.sidebar.write(f"Configurar Distancia Interneuronal")
-
-dist_int = st.sidebar.slider("Distancia Interneuronal Recomendada : 0.9", 0.0, 1.0, 0.9, 0.1)
-
-
-# Sección de datos
-st.write(
-    """
-    A continuación se muestran los primeros 5 registros de los datos utilizados:
-    """
-)
-st.dataframe(dataset.head())
-
-
-# Sección de datos
-st.write(
+# Especificación de parámetros
+dist_int = st.sidebar.slider("Distancia Interneuronal Recomendada:", 0.0, 1.0, 0.9, 0.1)
+
+# Mostrar los primeros 5 registros de los datos
+st.markdown("### Primeros 5 registros de los datos utilizados:")
+st.dataframe(dataset.head(), use_container_width=True)
+
+# Crear columnas para distribuir los gráficos y resultados
+col1, col2 = st.columns([2, 1])
+
+# Gráfico SOM
+with col1:
+    st.markdown("### Mapa de Distancias de los Clusters Formados:")
+
+    som = models["Self-Organizing Map"]
+
+    # Crear una figura explícita
+    fig, ax = plt.subplots(figsize=(10, 8))  # Tamaño ajustable
+    bone()
+    pcolor(som.distance_map().T)
+    colorbar()
+
+    # Agregar los puntos correspondientes al ganador de cada característica
+    for i, x in enumerate(features):
+        w = som.winner(x)
+        ax.plot(
+            w[0] + 0.5,
+            w[1] + 0.5,
+            "o",
+            markeredgecolor="r",
+            markerfacecolor="None",
+            markersize=10,
+            markeredgewidth=2,
+        )
+
+    # Mostrar el gráfico en Streamlit
+    st.pyplot(fig, use_container_width=True)
+
+# Resultados de predicción en la columna derecha
+with col2:
+    st.markdown("### Resultados de Predicción:")
+
+    Possiblefrauds = getFrauds(som, features, dist_int, sc)
+
+    # Extraer los ID de los clientes potencialmente fraudulentos
+    fraud_id = Possiblefrauds[:, 0]
+    acc = getMetrics(dataset, fraud_id)
+
+    # Verificar si acc es una lista y obtener el primer valor si es necesario
+    if isinstance(acc, list):
+        acc = acc[0]  # Obtén el primer valor si acc es una lista
+
+    # Mostrar las métricas
+    st.write(f"**Total de posibles fraudes detectados:** {len(fraud_id)}")
+    st.write(f"**Porcentaje de precisión del modelo:** {round(acc, 2)}%")
+
+    # Mostrar los datos de los fraudes detectados
+    st.markdown("### Detalles de los posibles fraudes:")
+    st.dataframe(Possiblefrauds, use_container_width=True)
+
+    # Puedes agregar más información aquí, por ejemplo:
+    st.markdown("#### Análisis de los principales fraudes:")
+    st.write("Visualización detallada de los clientes que podrían ser fraudulentos en el gráfico.")
+    # Agregar otras métricas o análisis adicionales
+
+# Opcional: Agregar una sección final con explicaciones
+st.markdown(
     """
-    * Mapa de colores de los clusters formados
+    ## ¿Cómo Funciona el Modelo?
+    
+    El modelo utiliza Mapas Auto-Organizados (SOM) para agrupar datos similares y detectar anomalías que podrían indicar fraudes.
+    Estos modelos son útiles para análisis no supervisados donde no se dispone de etiquetas claras sobre los fraudes.
+    
+    **Nota**: La precisión depende de los parámetros utilizados en el SOM. Ajusta la *Distancia Interneuronal* para observar cambios en el resultado.
     """
 )
-
-# Obtenemos la gráfica de colores
-som = models["Self-Organizing Map"]
-bone()
-pcolor(som.distance_map().T)
-colorbar()
-for i, x in enumerate(features):
-    w = som.winner(x)
-    plot(
-        w[0] + 0.5,
-        w[1] + 0.5,
-        "o",
-        markeredgecolor="r",
-        markerfacecolor="None",
-        markersize=10,
-        markeredgewidth=2,
-    )
-
-st.set_option("deprecation.showPyplotGlobalUse", False)
-st.pyplot()
-
-
-# Obtención de los posibles fraudes
-Possiblefrauds = getFrauds(som, features, dist_int, sc)
-
-
-# Obtengo los CustomerID de los posibles fraudes
-fraud_id = Possiblefrauds[:, 0]
-
-
-st.write("* Total de posibles fraudes : ")
-st.header(str(len(fraud_id)))
-
-st.dataframe(Possiblefrauds)
-
-
-# Obtengo la precición del modelo
-acc = getMetrics(dataset, fraud_id)
-
-st.write("* Porcentaje de predicción : ")
-st.header(str(round(acc, 2)) + "%")