Readme.md

ML Prediction Dashboard

Una semplice applicazione Streamlit per esplorare le predizioni di un modello di machine learning, valutarne le performance e analizzare i singoli errori di classificazione.

Contenuto della cartella ZIP

├── app.py            # File principale dell'app Streamlit
├── requirements.txt  # Elenco delle dipendenze Python
└── README.md         # Questo file di istruzioni

📦 Dipendenze

Queste sono le librerie richieste dall'app, presenti nel file requirements.txt:

• streamlit>=1.25
• pandas
• numpy
• scikit-learn
• plotly
• seaborn
• matplotlib
• streamlit-aggrid
• openpyxl

📝 Prerequisiti

• Windows 10/11
• Accesso a Internet (per scaricare Python e i pacchetti)

⚙️ Installazione di Python su Windows

1. Vai al sito ufficiale di Python: https://www.python.org/downloads/windows/
2. Clicca su Download Python 3.x.x (versione raccomandata).
3. Esegui il file scaricato (python-3.x.x-amd64.exe).
4. IMPORTANTISSIMO: nella prima finestra, spunta "Add Python 3.x to PATH" in basso.
5. Clicca su Install Now e attendi il completamento.
6. Apri il Prompt dei comandi (Win+R → digita cmd → Invio) e verifica:

   python --version
   pip --version
   

   Dovresti vedere le versioni installate.

📦 Installazione dell'applicazione

1. Estrai la cartella ZIP in una directory a tua scelta.
2. Apri il Prompt dei comandi e naviga nella cartella estratta:

   cd C:\percorso\alla\cartella
   

3. (Opzionale ma consigliato) Crea un ambiente virtuale:

   python -m venv venv
   venv\Scripts\activate
   

4. Installa le dipendenze con pip:

   pip install -r requirements.txt
   

🚀 Avvio dell'app Streamlit

Nella stessa cartella, esegui:

streamlit run app.py

Dopo qualche secondo, si aprirà una finestra nel browser con l'interfaccia dell'app.

🎛️ Come usare l'app

1. Upload del file: Carica un file .csv o .xlsx con almeno tre colonne:
   • ground_truth: etichette reali
   • CASISTICA_MOTIVAZIONE: etichette previste dal modello
   • PROBABILITA_ASSOCIAZIONE (opzionale): confidenza delle predizioni
2. Mappatura colonne: Se i nomi effettivi sono diversi, inseriscili nella sidebar.
3. Metriche globali: Visualizzi Accuracy, Precisione, Recall e Macro-F1.
4. Distribuzione di confidenza (se presente): Istogramma e threshold personalizzabile.
5. Matrice di confusione: Heatmap con etichette orientate per leggibilità.
6. Metrics per classe: Tabella con precision, recall e F1-score per ogni classe.
7. Data Explorer (Ag-Grid):
   • Filtri per etichette reali/predette e intervallo di confidenza.
   • Colonne di testo (NOTE_OPERATORE) a capotesto con altezza automatica.
   • Trascina le intestazioni per riordinare le colonne.
   • Seleziona una riga per vedere dettagli e note dell'operatore.

❓ FAQ

• Il comando pip non viene riconosciuto?
  Assicurati di aver spuntato Add Python to PATH durante l'installazione.

• Posso usare colonne con nomi personalizzati?
  Sì, basta scrivere i nomi reali nei campi di mappatura sulla sidebar.

• Come cambio tema a Streamlit?
  Crea (o modifica) il file %USERPROFILE%\\.streamlit\\config.toml con:

  [theme]
  base="light"  # oppure "dark"
  

---

Buon lavoro! 🚀