gui

src/data_process.py

@@ -13,6 +13,7 @@ def load_and_process_data(file_path):
     df["km_norm"] = (df["km"] - km_min) / (km_max - km_min)
     df["price_norm"] = (df["price"] - price_min) / (price_max - price_min)
     
+    print("Normalisation en cours...")
     df.to_csv("data/data_normalized.csv", index=False)
     print("Données nettoyées et normalisées suvegardées dans 'data/data_normalized.csv' !")
     plot_raw_data(df) # Affichage des données normalisées 

src/gradient_descent.py

@@ -1,5 +1,5 @@
 import numpy as np
-from src.cost_function import compute_cost
+from cost_function import compute_cost
 
 def gradient_descent(X, y, theta_0, theta_1, learning_rate, iterations):
     """Applique la descente de gradient et retourne les paramètres optimisés."""

src/gui.py

@@ -0,0 +1,36 @@
+import tkinter as tk
+from tkinter import messagebox
+
+def show_gui(predict_price):
+    """Affiche l'interface graphique Tkinter pour entrer un kilométrage et voir le prix estimé."""
+    
+    def estimate_price():
+        try:
+            km = float(entry_km.get())  # Récupère la valeur entrée
+            price = predict_price(km)  # Prédiction du prix
+            label_result.config(text=f"Prix estimé : {price:.2f} €", fg="green")  # Affiche le prix
+        except ValueError:
+            messagebox.showerror("Erreur", "Veuillez entrer un kilométrage valide.")
+
+    root = tk.Tk()
+    root.title("Estimation de prix de voiture")
+
+    frame = tk.Frame(root, padx=20, pady=20)
+    frame.pack()
+
+    label_title = tk.Label(frame, text="Estimation de prix de voiture", font=("Arial", 14, "bold"))
+    label_title.pack()
+
+    label_km = tk.Label(frame, text="Entrez le kilométrage :")
+    label_km.pack()
+
+    entry_km = tk.Entry(frame)
+    entry_km.pack()
+
+    btn_estimate = tk.Button(frame, text="Estimer le prix", command=estimate_price)
+    btn_estimate.pack()
+
+    label_result = tk.Label(frame, text="", font=("Arial", 12))
+    label_result.pack()
+
+    root.mainloop()

src/training_model.py

@@ -1,8 +1,8 @@
 import numpy as np
 import pandas as pd
-from src.data_process import load_and_process_data
-from src.gradient_descent import gradient_descent
-from src.visualization import plot_cost_history, plot_regression_line
+from data_process import load_and_process_data
+from gradient_descent import gradient_descent
+from visualization import plot_cost_history, plot_regression_line
 
 def train_model():
     """