import streamlit as st

st.set_page_config(
    page_title = 'Patacotrón',
    layout= 'wide',
    initial_sidebar_state = 'collapsed',
    menu_items = {
        "About" : 'Proyecto ideado para la investigación de "Clasificación de imágenes de una sola clase con algortimos de Inteligencia Artificial".',
        "Report a Bug" : 'https://docs.google.com/forms/d/e/1FAIpQLScH0ZxAV8aSqs7TPYi86u0nkxvQG3iuHCStWNB-BoQnSW2V0g/viewform?usp=sf_link'
    }
)

st.title("Eficiencia")

with st.sidebar:
    st.write("contact@patacotron.tech")

col1, col2 = st.columns(2)

with col1:
    st.write('La fórmula está descrita de la siguiente manera: ')
    st.write('Para clases positivas: ')
    st.latex(r'''E = \frac{(S * {S}')+(P * {P}')}{{S}'+{P}'}''')
    st.write('Para clases negativas: ')
    st.latex(r'''E = \frac{(S * {S}')+((1-P) * {P}')}{{S}'+{P}'}''')

with col2:
    st.write('Donde:')
    st.write('S es la puntuación (score) normalizada entre 0 y 1, donde por cada imagen sumaba un punto y por cada falso positivo se le restaba otro. La franja para predecir la clase como positiva fue de encima del 80%')
    st.write('P es la predicción promedio entre 0 y 1 para todas las imágenes de la carpeta.')
    st.write("S′ y P′ son los pesos para cada variable, en este caso, la predicción tuvo un peso de 1.2")
    st.write("El rango de la fórmula es de [0, 1), representando 1 un modelo con la mayor eficiencia posible que generaliza bien y es igualmente bueno para predecir clases positivas y anómalas. ")
    st.write('[Repositorio en Github](https://github.com/frncscp/efficiency)')