【コード量とUIデザインで比較】Streamlit vs Tkinter：機械学習GUIアプリ開発はどっちがベスト？

import streamlit as st

st.title("Streamlitでユーザー情報入力")

col1, col2 = st.columns(2)

with col1:

    name = st.text_input("名前")

with col2:

    age = st.number_input("年齢", min_value=0)

if st.button("送信"):

    st.write(f"{name}さんは {age}歳です。")

import tkinter as tk

from tkinter import ttk

root = tk.Tk()

root.title("Tkinterでユーザー情報入力")

root.geometry("400x150")

# 2カラムのフレームを作る

frame = ttk.Frame(root)

frame.pack(padx=20, pady=20, fill="x")

# 左カラム（名前ラベル＋入力欄）

left_frame = ttk.Frame(frame)

left_frame.pack(side="left", expand=True, fill="both", padx=(0, 10))

ttk.Label(left_frame, text="名前").pack(anchor="w")

entry_name = ttk.Entry(left_frame)

entry_name.pack(fill="x")

# 右カラム（年齢ラベル＋入力欄）

right_frame = ttk.Frame(frame)

right_frame.pack(side="left", expand=True, fill="both")

ttk.Label(right_frame, text="年齢").pack(anchor="w")

entry_age = ttk.Spinbox(right_frame, from_=0, to=120)

entry_age.pack(fill="x")

# 送信ボタンと結果表示

def on_submit():

    name = entry_name.get()

    age = entry_age.get()

    if name:

        result_label.config(text=f"{name}さんは {age}歳です。")

    else:

        result_label.config(text="名前を入力してください。")

submit_btn = ttk.Button(root, text="送信", command=on_submit)

submit_btn.pack(pady=10)

result_label = ttk.Label(root, text="")

result_label.pack()

root.mainloop()

import streamlit as st

import pandas as pd

import pickle

from sklearn.model_selection import train_test_split

import lightgbm as lgb # LightGBMをインポート

from sklearn.metrics import mean_squared_error # 学習の評価用にインポート

# モデルの読み込み

@st.cache_resource

def load_model(path="models/best_model.pkl"):

    try:

        with open(path, "rb") as f:

            model = pickle.load(f)

        return model

    except FileNotFoundError:

        st.warning("既存のモデルファイルが見つかりませんでした。新しいモデルを学習させてください。")

        return None # モデルが見つからない場合はNoneを返す

model = load_model()

st.title("回帰予測アプリ - FIMアウト予測")

# --- 学習用データ読み込みとモデル学習/保存機能 ---

st.header("モデル学習・保存機能")

# 学習用CSVファイルのアップロード

uploaded_train_file = st.file_uploader("学習用CSVファイルをアップロードしてください (オプション)", type=["csv"], key="train_uploader")

if uploaded_train_file is not None:

    train_df = pd.read_csv(uploaded_train_file)

    st.subheader("アップロードされた学習用データ（一部）")

    st.dataframe(train_df.head())

    # ターゲット変数と特徴量の選択

    st.markdown("---")

    st.subheader("学習設定")

    target_column = st.selectbox("ターゲット変数を選択してください", train_df.columns)

    feature_columns = st.multiselect("特徴量を選択してください", [col for col in train_df.columns if col != target_column])

    if st.button("モデルを学習して保存"):

        if target_column and feature_columns:

            X = train_df[feature_columns]

            y = train_df[target_column]

            # 訓練データとテストデータに分割 (例: 80%訓練、20%テスト)

            X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

            # ここをLightGBMモデルに変更

            new_model = lgb.LGBMRegressor(random_state=42) # ハイパーパラメータは適宜調整してください

            new_model.fit(X_train, y_train)

            # モデルの評価 (オプション)

            y_pred = new_model.predict(X_test)

            rmse = mean_squared_error(y_test, y_pred, squared=False) # RMSEを計算

            st.write(f"モデル学習が完了しました。テストセットでのRMSE: {rmse:.2f}")

            # 学習済みモデルの保存

            model_save_path = "models/new_trained_model.pkl" # 保存パスを適宜変更してください

            with open(model_save_path, "wb") as f:

                pickle.dump(new_model, f)

            st.success(f"新しいモデルが **{model_save_path}** に保存されました。")

            # 新しいモデルを現在のセッションで使用するように更新

            model = new_model

            st.info("予測機能で新しいモデルが使用されます。")

        else:

            st.warning("ターゲット変数と特徴量をすべて選択してください。")

else:

    st.info("学習用CSVファイルをアップロードすると、新しいモデルを学習・保存できます。")

st.markdown("---")

# --- 既存の予測機能 ---

st.header("回帰予測")

# 入力方法の選択

input_type = st.radio("入力方法を選択してください", ("手入力", "CSVアップロード"), key="input_type_prediction")

# 入力データの準備

if input_type == "手入力":

    fim_in = st.number_input("FIM入院時点（fim_in）", min_value=0, max_value=126, value=60)

    age = st.number_input("年齢（age）", min_value=0, max_value=120, value=80)

    mmse = st.number_input("MMSE", min_value=0, max_value=30, value=20)

    paralysis = st.selectbox("麻痺の種類（paralysis）", options=[0, 1, 2, 3, 4], format_func=lambda x: f"{x}（例）")

    input_df = pd.DataFrame([{

        "fim_in": fim_in,

        "age": age,

        "mmse": mmse,

        "paralysis": paralysis

    }])

else:

    uploaded_file = st.file_uploader("予測用CSVファイルをアップロードしてください", type=["csv"], key="prediction_uploader")

    if uploaded_file is not None:

        input_df = pd.read_csv(uploaded_file)

    else:

        input_df = None

# 予測ボタン

if input_df is not None and st.button("予測実行"):

    if model is not None:

        expected_features = ["fim_in", "age", "mmse", "paralysis"]  # 必要なら正確な順番に変更

        # アップロードされたCSVの場合、特徴量が揃っているか確認

        if not all(feature in input_df.columns for feature in expected_features):

            st.error(f"アップロードされたCSVには、必要な特徴量 ({', '.join(expected_features)}) がすべて含まれていません。")

        else:

            input_df = input_df[expected_features]

            preds = model.predict(input_df)

            input_df["予測FIMアウト"] = preds

            st.subheader("予測結果")

            st.dataframe(input_df)

    else:

        st.warning("モデルがロードされていないか、まだ学習されていません。モデルを学習させるか、既存のモデルをロードしてください。")