Update app.py

app.py

@@ -1,48 +1,64 @@
-# app.py
+import pandas as pd
+from sklearn.tree import DecisionTreeClassifier
+from sklearn.metrics import confusion_matrix, classification_report
+import matplotlib.pyplot as plt
+import pickle
 from fastapi import FastAPI, HTTPException
 from pydantic import BaseModel
-import joblib
+from typing import List
 import numpy as np
-from sklearn.tree import DecisionTreeClassifier
-
-app = FastAPI()
 
-# Cargar el modelo desde el archivo joblib
-try:
-    with open('miarbol.pkl', 'rb') as f:
-        miarbol = joblib.load(f)
-except Exception as e:
-    raise RuntimeError(f"Error al cargar el modelo: {str(e)}")
+# 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
+    PlayTimeHours: int
     InGamePurchases: int
     SessionsPerWeek: int
     AvgSessionDurationMinutes: int
     PlayerLevel: int
     AchievementsUnlocked: int
 
-@app.post("/predict")
-def predict(input_data: InputData):
+# Iniciar la aplicación FastAPI
+app = FastAPI()
+
+# Función para cargar el modelo guardado con joblib
+def load_model():
+    with open('miarbol.pkl', 'rb') as f:
+        model = joblib.load(f)
+    return model
+
+# Cargar el modelo al iniciar la aplicación
+miarbol = load_model()
+
+# Ruta de predicción
+@app.post("/predict/")
+async def predict(data: InputData):
     try:
-        # Convertir los datos de entrada a un array numpy para hacer la predicción
-        input_array = np.array([[
-            input_data.Gender,
-            input_data.Age,
-            input_data.PlayTimeHours,
-            input_data.InGamePurchases,
-            input_data.SessionsPerWeek,
-            input_data.AvgSessionDurationMinutes,
-            input_data.PlayerLevel,
-            input_data.AchievementsUnlocked
-        ]])
-        
-        # Realizar la predicción
-        prediction = miarbol.predict(input_array)
-        
-        # Devolver la predicción como JSON
-        return {"EngagementLevel": prediction[0]}
+        # Convertir los datos de entrada en un array de NumPy para la predicción
+        X_input = np.array([[data.Gender, data.Age, data.PlayTimeHours, data.InGamePurchases,
+                             data.SessionsPerWeek, data.AvgSessionDurationMinutes,
+                             data.PlayerLevel, data.AchievementsUnlocked]])
+
+        # Realizar la predicción utilizando el modelo cargado
+        prediction = miarbol.predict(X_input)
+
+        # Retornar el resultado de la predicción
+        return {"prediction": int(prediction[0])}  # Convertir a int para asegurar que sea JSON serializable
+
     except Exception as e:
         raise HTTPException(status_code=500, detail=str(e))
+
+# Ruta para verificar el estado de la API
+@app.get("/status/")
+async def status():
+    return {"status": "Modelo cargado y API en funcionamiento"}
+
+# Ejemplo de cómo utilizar la API
+if __name__ == "__main__":
+    import uvicorn
+    uvicorn.run(app, host="0.0.0.0", port=8000)
+