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:
   ```bash
   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:
   ```bash
   cd C:\percorso\alla\cartella
   ```
3. (Opzionale ma consigliato) Crea un **ambiente virtuale**:
   ```bash
   python -m venv venv
   venv\Scripts\activate
   ```
4. Installa le dipendenze con pip:
   ```bash
   pip install -r requirements.txt
   ```

## 🚀 Avvio dell'app Streamlit

Nella stessa cartella, esegui:

```bash
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:
  ```toml
  [theme]
  base="light"  # oppure "dark"
  ```

---

Buon lavoro! 🚀