/Churn_Finance_G2

Primary LanguageJupyter Notebook

Churn_Finance_G2

Explication des variables:

  • RowNumber : Identifiant unique pour chaque enregistrement et ne contribue pas directement à l'analyse.
  • CustomerId : Pour différencier les clients individuels au sein de l'ensemble de données.
  • Surname : Nom de famille de chaque client.
  • CreditScore: Solvabilité d'un individu.
  • Geography : Répartition géographique des clients.
  • Gender: Genre (Femme / Homme).
  • Age : Âge du client.
  • Tenure: Nombre d'années ou de mois pendant lesquels le client est associé à la banque.
  • Balance: Montant d'argent sur le compte bancaire du client à un moment précis.
  • NumOfProducts: Produit bancaire utilisé, tel que des comptes d'épargne, des prêts, des cartes de crédit, etc.
  • HasCrCard: Statut de la carte de crédit (0 = Non, 1 = Oui).
  • IsActiveMember: statut d'adhésion actif (0 = Non, 1 = Oui).
  • EstimatedSalary: Salaire estimé.
  • Exited: abandonné ou pas ? (0 = Non, 1 = Oui). C'est la variable que nous cherchons à prédire en utilisant les autres fonctionnalités.

Procédure 1 : Suivez les étapes suivantes qui vous montrent comment exécuter le projet à l'aide de docker et docker-compose

  • Etape1: Installer docker desktop
  • Etape2: Cloner le projet sur le repository (branch main)
  • Etape3: Il suffit de ce placer à la racine du répertoire du projet et execute les deux(2) commandes suivantes:
  • D'abord:
docker-compose build

Note: Le processus de télechargement des images docker prend beaucoup de temps.

  • Ensuite:
docker-compose up

Procédure 2 : Récupérer l'image sur docker Hub

  • Etape1: Installer docker desktop
  • Etape2: Aller sur le site de dockerhub (https://hub.docker.com/explore)
  • Etape3: Dans la barre de recherche, recherchez "churn_finance_back" (pour l'image du backend) ou "churn_finance_front" (pour l'image du frontend)
  • Etape4: Faire un pull de l'image Note: Spécifier le tag.
docker pull nom_image:<tag> ou docker pull nom_image:<tag>
  • On peut lister les images pour voir:
  docker image ls -a
* Etape5: Pour lancer le conteur de l'image
    Note: port frontend = "8501" , port backend = "5000" 

  docker run -d -p port:port nom_image:<tag>

Procédure 3 : Les étapes suivantes montrent comment exécuter le projet directement en local avec un environnement python isolé (Windows et sur Mac Os)

  • Etape1: Cloner le projet (branch main)
  • Etape2:

Creer un nouveau environnement (utiliser la version de python 3.9)

Réference (https://realpython.com/python-virtual-environments-a-primer/#create-it) (https://www.pythoniste.fr/anaconda/les-environnements-virtuels-en-python-avec-anaconda/)

  • Windows

Créer un environnement virtual conda

conda create -n mon_environement python=<version>

Activer l'environnement virtual conda

conda activate mon_environement

Installer tout les packages nécessaires

pip install -r requirements.txt

Désactiver l'environnement virtual conda

conda deactivate
  • Mac Os

Créer un environnement virtual python (preciser la version de python)

python<version> -m venv mon_environement

Pour activer l'environnement virtual python

source mon_environement/bin/activate

Installation des packages

pip install -r requirements.txt

Pour desactiver l'environnement virtual python

deactivate