Spaces:
Sleeping
Sleeping
import pickle | |
from fastapi import FastAPI, HTTPException | |
from pydantic import BaseModel | |
from typing import List | |
import numpy as np | |
# Cargar el modelo desde el archivo .pkl usando joblib | |
import joblib | |
# Define la estructura de entrada esperada para FastAPI | |
class InputData(BaseModel): | |
Gender: int | |
Age: float | |
PlayTimeHours: float | |
InGamePurchases: int | |
SessionsPerWeek: int | |
AvgSessionDurationMinutes: int | |
PlayerLevel: int | |
AchievementsUnlocked: int | |
# Iniciar la aplicaci贸n FastAPI | |
app = FastAPI() | |
# Funci贸n para cargar el modelo guardado con joblib | |
def load_model(): | |
with open('miarbol.pkl', 'rb') as f: | |
model = pickle.load(f) | |
return model | |
# Cargar el modelo al iniciar la aplicaci贸n | |
miarbol = load_model() | |
# Ruta de predicci贸n | |
async def predict(data: InputData): | |
try: | |
# Convertir los datos de entrada en un array de NumPy para la predicci贸n | |
X_input = np.array([[data.Gender, data.Age, data.PlayTimeHours, data.InGamePurchases, | |
data.SessionsPerWeek, data.AvgSessionDurationMinutes, | |
data.PlayerLevel, data.AchievementsUnlocked]]) | |
# Realizar la predicci贸n utilizando el modelo cargado | |
prediction = miarbol.predict(X_input) | |
# Retornar el resultado de la predicci贸n | |
return {"prediction": prediction[0]} | |
except Exception as e: | |
raise HTTPException(status_code=500, detail=str(e)) | |
# Ruta para verificar el estado de la API | |
async def status(): | |
return {"status": "Modelo cargado y API en funcionamiento"} | |
# Ejemplo de c贸mo utilizar la API | |
if __name__ == "__main__": | |
import uvicorn | |
uvicorn.run(app, host="0.0.0.0", port=8000) | |