Update app.py

app.py

@@ -1,3 +1,4 @@
+import logging
 from fastapi import FastAPI, HTTPException
 from pydantic import BaseModel
 import numpy as np
@@ -6,29 +7,42 @@ import tensorflow as tf
 from sklearn.preprocessing import StandardScaler, OneHotEncoder
 from sklearn.compose import ColumnTransformer
 
+# Configurar el logger
+logging.basicConfig(level=logging.INFO)
+
 app = FastAPI()
 
 # Cargar el modelo preentrenado desde el archivo .h5
-model = tf.keras.models.load_model('Model.h5')
+try:
+    model = tf.keras.models.load_model('Model.h5')
+    logging.info("Modelo cargado correctamente.")
+except Exception as e:
+    logging.error("Error cargando el modelo: %s", e)
 
 # Cargar el conjunto de datos para ajuste del preprocesador
-file_path = 'heart.csv'
-df = pd.read_csv(file_path)
+try:
+    file_path = 'heart.csv'
+    df = pd.read_csv(file_path)
+    logging.info("Conjunto de datos cargado correctamente.")
+except Exception as e:
+    logging.error("Error cargando el conjunto de datos: %s", e)
 
 # Identificar columnas numéricas y categóricas
 num_features = ['Age', 'RestingBP', 'Cholesterol', 'MaxHR', 'Oldpeak']
 cat_features = ['Sex', 'ChestPainType', 'FastingBS', 'RestingECG', 'ExerciseAngina', 'ST_Slope']
 
 # Preprocesamiento: Escalar características numéricas y codificar características categóricas
-preprocessor = ColumnTransformer(
-    transformers=[
-        ('num', StandardScaler(), num_features),
-        ('cat', OneHotEncoder(handle_unknown='ignore'), cat_features)
-    ])
-
-# Ajustar el preprocesador al conjunto de datos
-X = df.drop('HeartDisease', axis=1)
-preprocessor.fit(X)
+try:
+    preprocessor = ColumnTransformer(
+        transformers=[
+            ('num', StandardScaler(), num_features),
+            ('cat', OneHotEncoder(handle_unknown='ignore'), cat_features)
+        ])
+    X = df.drop('HeartDisease', axis=1)
+    preprocessor.fit(X)
+    logging.info("Preprocesador ajustado correctamente.")
+except Exception as e:
+    logging.error("Error ajustando el preprocesador: %s", e)
 
 class HeartDiseaseInput(BaseModel):
     age: float
@@ -65,16 +79,23 @@ def predict(input: HeartDiseaseInput):
             'ST_Slope': [input.st_slope]
         })
 
+        logging.info("Datos de entrada recibidos: %s", input_data)
+
         # Aplicar preprocesamiento
         input_data_preprocessed = preprocessor.transform(input_data)
+        logging.info("Datos preprocesados: %s", input_data_preprocessed)
 
         # Realizar la predicción
         prediction_prob = model.predict(input_data_preprocessed)
         predicted_class = (prediction_prob > 0.3).astype(int)
 
+        logging.info("Probabilidad de predicción: %s", prediction_prob)
+        logging.info("Clase predicha: %s", predicted_class)
+
         # Interpretar la predicción
         result = "Tiene enfermedad cardíaca." if predicted_class == 1 else "No tiene enfermedad cardíaca."
 
         return {"prediction": result, "probability": prediction_prob[0][0]}
     except Exception as e:
-        raise HTTPException(status_code=400, detail=str(e))
+        logging.error("Error en la predicción: %s", e)
+        raise HTTPException(status_code=500, detail=str(e))