Spaces:
Sleeping
Sleeping
Si2469
commited on
Commit
•
92be168
1
Parent(s):
ef0a000
Update app.py
Browse files
app.py
CHANGED
@@ -1,3 +1,4 @@
|
|
|
|
1 |
from fastapi import FastAPI, HTTPException
|
2 |
from pydantic import BaseModel
|
3 |
import numpy as np
|
@@ -6,29 +7,42 @@ import tensorflow as tf
|
|
6 |
from sklearn.preprocessing import StandardScaler, OneHotEncoder
|
7 |
from sklearn.compose import ColumnTransformer
|
8 |
|
|
|
|
|
|
|
9 |
app = FastAPI()
|
10 |
|
11 |
# Cargar el modelo preentrenado desde el archivo .h5
|
12 |
-
|
|
|
|
|
|
|
|
|
13 |
|
14 |
# Cargar el conjunto de datos para ajuste del preprocesador
|
15 |
-
|
16 |
-
|
|
|
|
|
|
|
|
|
17 |
|
18 |
# Identificar columnas numéricas y categóricas
|
19 |
num_features = ['Age', 'RestingBP', 'Cholesterol', 'MaxHR', 'Oldpeak']
|
20 |
cat_features = ['Sex', 'ChestPainType', 'FastingBS', 'RestingECG', 'ExerciseAngina', 'ST_Slope']
|
21 |
|
22 |
# Preprocesamiento: Escalar características numéricas y codificar características categóricas
|
23 |
-
|
24 |
-
|
25 |
-
|
26 |
-
|
27 |
-
|
28 |
-
|
29 |
-
|
30 |
-
|
31 |
-
|
|
|
|
|
32 |
|
33 |
class HeartDiseaseInput(BaseModel):
|
34 |
age: float
|
@@ -65,16 +79,23 @@ def predict(input: HeartDiseaseInput):
|
|
65 |
'ST_Slope': [input.st_slope]
|
66 |
})
|
67 |
|
|
|
|
|
68 |
# Aplicar preprocesamiento
|
69 |
input_data_preprocessed = preprocessor.transform(input_data)
|
|
|
70 |
|
71 |
# Realizar la predicción
|
72 |
prediction_prob = model.predict(input_data_preprocessed)
|
73 |
predicted_class = (prediction_prob > 0.3).astype(int)
|
74 |
|
|
|
|
|
|
|
75 |
# Interpretar la predicción
|
76 |
result = "Tiene enfermedad cardíaca." if predicted_class == 1 else "No tiene enfermedad cardíaca."
|
77 |
|
78 |
return {"prediction": result, "probability": prediction_prob[0][0]}
|
79 |
except Exception as e:
|
80 |
-
|
|
|
|
1 |
+
import logging
|
2 |
from fastapi import FastAPI, HTTPException
|
3 |
from pydantic import BaseModel
|
4 |
import numpy as np
|
|
|
7 |
from sklearn.preprocessing import StandardScaler, OneHotEncoder
|
8 |
from sklearn.compose import ColumnTransformer
|
9 |
|
10 |
+
# Configurar el logger
|
11 |
+
logging.basicConfig(level=logging.INFO)
|
12 |
+
|
13 |
app = FastAPI()
|
14 |
|
15 |
# Cargar el modelo preentrenado desde el archivo .h5
|
16 |
+
try:
|
17 |
+
model = tf.keras.models.load_model('Model.h5')
|
18 |
+
logging.info("Modelo cargado correctamente.")
|
19 |
+
except Exception as e:
|
20 |
+
logging.error("Error cargando el modelo: %s", e)
|
21 |
|
22 |
# Cargar el conjunto de datos para ajuste del preprocesador
|
23 |
+
try:
|
24 |
+
file_path = 'heart.csv'
|
25 |
+
df = pd.read_csv(file_path)
|
26 |
+
logging.info("Conjunto de datos cargado correctamente.")
|
27 |
+
except Exception as e:
|
28 |
+
logging.error("Error cargando el conjunto de datos: %s", e)
|
29 |
|
30 |
# Identificar columnas numéricas y categóricas
|
31 |
num_features = ['Age', 'RestingBP', 'Cholesterol', 'MaxHR', 'Oldpeak']
|
32 |
cat_features = ['Sex', 'ChestPainType', 'FastingBS', 'RestingECG', 'ExerciseAngina', 'ST_Slope']
|
33 |
|
34 |
# Preprocesamiento: Escalar características numéricas y codificar características categóricas
|
35 |
+
try:
|
36 |
+
preprocessor = ColumnTransformer(
|
37 |
+
transformers=[
|
38 |
+
('num', StandardScaler(), num_features),
|
39 |
+
('cat', OneHotEncoder(handle_unknown='ignore'), cat_features)
|
40 |
+
])
|
41 |
+
X = df.drop('HeartDisease', axis=1)
|
42 |
+
preprocessor.fit(X)
|
43 |
+
logging.info("Preprocesador ajustado correctamente.")
|
44 |
+
except Exception as e:
|
45 |
+
logging.error("Error ajustando el preprocesador: %s", e)
|
46 |
|
47 |
class HeartDiseaseInput(BaseModel):
|
48 |
age: float
|
|
|
79 |
'ST_Slope': [input.st_slope]
|
80 |
})
|
81 |
|
82 |
+
logging.info("Datos de entrada recibidos: %s", input_data)
|
83 |
+
|
84 |
# Aplicar preprocesamiento
|
85 |
input_data_preprocessed = preprocessor.transform(input_data)
|
86 |
+
logging.info("Datos preprocesados: %s", input_data_preprocessed)
|
87 |
|
88 |
# Realizar la predicción
|
89 |
prediction_prob = model.predict(input_data_preprocessed)
|
90 |
predicted_class = (prediction_prob > 0.3).astype(int)
|
91 |
|
92 |
+
logging.info("Probabilidad de predicción: %s", prediction_prob)
|
93 |
+
logging.info("Clase predicha: %s", predicted_class)
|
94 |
+
|
95 |
# Interpretar la predicción
|
96 |
result = "Tiene enfermedad cardíaca." if predicted_class == 1 else "No tiene enfermedad cardíaca."
|
97 |
|
98 |
return {"prediction": result, "probability": prediction_prob[0][0]}
|
99 |
except Exception as e:
|
100 |
+
logging.error("Error en la predicción: %s", e)
|
101 |
+
raise HTTPException(status_code=500, detail=str(e))
|