ng2022-alt/Modele_ML_Survie_Allaitement_Maternel_Exclusif

# Prediction de la duree de l'allaitement maternel exclusif (AME) Application d'inference et script d'apprentissage d'un modele de survie Random Survival Forest ajuste sur les donnees de l'Enquete Demographique et de Sante (EDS) du Cameroun 2018. ## 1. Contenu du depot dataset_Survie_EDS_2018.csv Fichier de donnees source entrainement_modele.py Script d'apprentissage complet app_AME.py Interface Streamlit d'inference style.css Feuille de style de l'interface requirements.txt Dependances Python verrouillees README.md Le present document ## 2. Installation Depuis un environnement virtuel Python 3.10 ou superieur : python -m venv venv source venv/bin/activate # sous Windows : venv\Scripts\activate pip install --upgrade pip pip install -r requirements.txt ## 3. Apprentissage du modele python entrainement_modele.py Le script cree trois repertoires : resultats/ Rapport statistique en texte brut graphiques/ Courbes de diagnostic (PNG, 300 dpi) modeles_sauvegardes/ Pipeline serialise (pipeline_survie_ame.pkl) ## 4. Lancement de l'interface Une fois le pipeline produit, l'interface Streamlit se lance ainsi : streamlit run app_AME.py L'application charge automatiquement le pipeline depuis ``modeles_sauvegardes/pipeline_survie_ame.pkl`` (ou, en dernier ressort, ``pipeline_survie_ame.pkl`` a la racine du projet). ## 5. Deploiement Pour un deploiement sur Streamlit Community Cloud, Render ou Heroku, il suffit de fournir ce depot et le fichier ``requirements.txt``. Aucune dependance systeme supplementaire n'est necessaire ; ``scikit-survival`` est distribue sous forme de roues (wheels) sur PyPI pour Python 3.10 a 3.12.