calcul model sur bouton

Dockerfile

@@ -7,6 +7,11 @@ WORKDIR /src
 # Copier les fichiers nécessaires dans le conteneur
 COPY requirements.txt /src/requirements.txt
 
+# Installer les dépendances système (graphviz)
+RUN apt-get update && apt-get install -y --no-install-recommends \
+    graphviz libgraphviz-dev \
+    && rm -rf /var/lib/apt/lists/*
+
 # Installer les dépendances
 RUN pip install --no-cache-dir -r requirements.txt
 

README.md

@@ -42,4 +42,44 @@ ydata-profiling : https://github.com/ydataai/ydata-profiling
 
         profile = ProfileReport(dataframe, tsmode=True, sortby="date", title="Time-Series EDA")
 
-        profile.to_file("report_timeseries.html")
+        profile.to_file("report_timeseries.html")
+        
+        
+📉 Erreur moyenne absolue : 308.9832
+Il s'agit de la MAE (Mean Absolute Error), une métrique d'évaluation de ton modèle.
+
+MAE = moyenne des distances absolues entre les prédictions et les vraies valeurs.
+
+Une MAE de 308.98 signifie qu'en moyenne, les prédictions du modèle s'écartent de ~309 unités de la valeur réelle.
+
+Cela peut être acceptable ou énorme selon l'échelle de ta variable cible. Si tu prédis des prix en crypto à 60 000 USD, c'est relativement faible. Si tu prédis des variations de 0.5, c’est catastrophique.
+
+🧠 Architecture du modèle
+C’est un modèle Sequential avec 3 couches Dense (fully connected) :
+
+Couche	Sortie	Paramètres
+dense	(None, 64)	320
+dense_1	(None, 32)	2,080
+dense_2	(None, 1)	33
+
+✳️ Détails :
+(None, 64) signifie : nombre d'exemples non spécifié (None), chaque exemple produit un vecteur de 64.
+
+Param # = nombre de poids (W) + biais (b) à apprendre.
+
+Par exemple : dense_1 a 64 entrées et 32 sorties → (64 * 32) + 32 = 2080
+
+🧮 Total :
+Paramètres totaux : 7 301 (dont certains sont utilisés pour l’optimiseur)
+
+Trainables : 2 433 paramètres que le modèle ajuste lors de l’entraînement
+
+Non-trainables : aucun ici (souvent présents avec des couches gelées ou embeddings fixes)
+
+
+### Netron
+
+/home/jerome/.local/bin/netron -p 5000 --host 127.0.0.1 /home/jerome/Perso/freqtradeDocker/user_data/reports/model.h5
+Serving '/home/jerome/Perso/freqtradeDocker/user_data/reports/model.h5' at http://127.0.0.1:5000
+
+        

requirements.txt

@@ -14,4 +14,6 @@ tensorflow
 keras
 scikit-learn
 pydot
-graphviz
+graphviz
+ann_visualizer
+netron

src/app.py

@@ -15,6 +15,10 @@ from tensorflow.keras.models import Sequential
 from tensorflow.keras.layers import Dense
 from tensorflow.keras.utils import plot_model
 
+from keras.models import Sequential
+from keras.layers import Dense
+from ann_visualizer.visualize import ann_viz
+
 app = Flask(__name__)
 FREQTRADE_USERDATA_DIR = '/mnt/external'
 
@@ -128,43 +132,6 @@ def read_feather(filename):
         # dataframe['min200'] = talib.MIN(dataframe['close'], timeperiod=200)
         # dataframe['max200'] = talib.MAX(dataframe['close'], timeperiod=200)
 
-        # Choisir les colonnes techniques comme variables d'entrée (X)
-        feature_cols = ['rsi', 'sma20', 'sma5_1h', 'volume']
-        df = dataframe
-        # Variable cible
-        df['target'] = df['futur_price_1h']
-
-        # Supprimer les lignes avec des NaN
-        df.dropna(subset=feature_cols + ['target'], inplace=True)
-
-        X = df[feature_cols].values
-        y = df['target'].values
-
-        # Normalisation
-        scaler = StandardScaler()
-        X = scaler.fit_transform(X)
-
-        # Split
-        X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
-
-        # Modèle
-        model = Sequential([
-            Dense(64, input_dim=X.shape[1], activation='relu'),
-            Dense(32, activation='relu'),
-            Dense(1)  # Prédiction continue
-        ])
-
-        model.compile(optimizer='adam', loss='mse', metrics=['mae'])
-
-        # Entraînement
-        model.fit(X_train, y_train, epochs=50, batch_size=32, validation_data=(X_test, y_test))
-
-        loss, mae = model.evaluate(X_test, y_test)
-        print(f"Erreur moyenne absolue : {mae:.4f}")
-
-        model.summary()
-
-        plot_model(model, show_shapes=True, show_layer_names=True, to_file=FREQTRADE_USERDATA_DIR + "/reports/model.png")
         return dataframe.to_json(orient="records")
     except Exception as e:
         print(e)
@@ -229,8 +196,57 @@ def get_chart_data():
 
     return df.to_json(orient="records") #jsonify(chart_data)
 
-@app.route('/model')
+
-def show_model():
+@app.route('/generate_model')
+def generate_model():
+    filename = request.args.get('filename', '')
+    path = os.path.join(FREQTRADE_USERDATA_DIR + "/data/binance/", filename)
+    print(path)
+    # indicators = request.args.get('indicators', '').split(',')
+    df = pd.read_feather(path)
+
+    # Choisir les colonnes techniques comme variables d'entrée (X)
+    feature_cols = ['close', 'rsi', 'sma5', 'sma10', 'sma20', 'sma5_1h', 'volume', 'sma5_1h']
+
+    # Variable cible 2 heures
+    df['target'] = (df['close'].shift(-24) - df['close']) / df['close']
+
+    # Supprimer les lignes avec des NaN
+    df.dropna(subset=feature_cols + ['target'], inplace=True)
+
+    X = df[feature_cols].values
+    y = df['target'].values
+
+    # Normalisation
+    scaler = StandardScaler()
+    X = scaler.fit_transform(X)
+
+    # Split
+    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
+
+    # Modèle
+    model = Sequential([
+        Dense(64, input_dim=X.shape[1], activation='relu'),
+        Dense(32, activation='relu'),
+        Dense(1)  # Prédiction continue
+    ])
+
+    model.compile(optimizer='adam', loss='mse', metrics=['mae'])
+
+    # Entraînement
+    model.fit(X_train, y_train, epochs=100, batch_size=64, validation_data=(X_test, y_test))
+
+    loss, mae = model.evaluate(X_test, y_test)
+    print(f"Erreur moyenne absolue : {mae:.4f}")
+
+    model.summary()
+
+    plot_model(model, show_shapes=True, show_layer_names=True, to_file=FREQTRADE_USERDATA_DIR + "/reports/model.png")
+
+    model.save(FREQTRADE_USERDATA_DIR + "/reports/model.h5")
+
+    # ann_viz(model, title="Mon réseau", filename=FREQTRADE_USERDATA_DIR + "/reports/network.gv", view=True)
+
     # Créer un exemple de modèle si non encore généré
     model_path = FREQTRADE_USERDATA_DIR + "/reports/model.png"
     if not os.path.exists(model_path):
@@ -242,6 +258,7 @@ def show_model():
         plot_model(model, to_file=model_path, show_shapes=True, show_layer_names=True)
     return render_template('model.html', model_image=model_path)
 
+
 # Route pour servir les fichiers statiques (optionnelle si bien configuré)
 @app.route('/static/<path:filename>')
 def static_files(filename):

src/static/js/functions.js

@@ -547,6 +547,16 @@ function initReport(data) {
     indicators.innerHTML = string
 }
 
+function generateModel() {
+
+    const element = document.getElementById('current_file_name');
+    let filename = element.value
+    const indicators = Array.from(selectedReportIndicators).join(',');
+
+    fetch(`/generate_model?filename=${filename}`)
+        .then(alert('Generation en cours'));
+}
+
 function generateReport() {
 
     const element = document.getElementById('current_file_name');

src/templates/index.html

@@ -52,7 +52,7 @@
 
     </dialog>
 
-    <a href="/model">Voir le modèle</a>
+     <button id="generateModel" style="height: 40px;" onclick="generateModel(this.value)">Modèle</button>
 
 </div>
 <div id='content' class="content">

src/test/dot.py

@@ -0,0 +1,12 @@
+from tensorflow.keras.models import Sequential
+from tensorflow.keras.layers import Dense
+from tensorflow.keras.utils import plot_model
+
+# Créer un modèle simple
+model = Sequential()
+model.add(Dense(64, input_dim=5, activation='relu'))
+model.add(Dense(32, activation='relu'))
+model.add(Dense(1, activation='linear'))
+
+# Générer l'image du modèle
+plot_model(model, to_file='/mnt/external/reports/model.png', show_shapes=True, show_layer_names=True)

src/test/kera.py

@@ -0,0 +1,11 @@
+import pydot
+from keras.utils import plot_model
+from keras.models import Sequential
+from keras.layers import Dense
+
+model = Sequential([
+    Dense(4, input_shape=(3,), activation='relu'),
+    Dense(2, activation='softmax')
+])
+
+plot_model(model, to_file='model_test.png', show_shapes=True)