app.py

from sklearn import tree
from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
import numpy as np
from typing import List
from joblib import load

class InputData(BaseModel):
    data: List[float]  # Lista de características numéricas (flotantes)


app = FastAPI()

# Función para construir el modelo manualmente
def build_decision_tree():

    # Crear el modelo de árbol de decisión
    model = tree.DecisionTreeClassifier(criterion="entropy", max_depth=10)
    model = load(
        "miarbol.pkl"
    )
    return model

# Construir el modelo al iniciar la aplicación
model = build_decision_tree()


# Ruta de predicción
@app.post("/predict/")
async def predict(data: InputData):
    print(f"Data: {data}")
    global model
    try:
        # Convertir la lista de entrada a un array de NumPy para la predicción
        input_data = np.array(data.data).reshape(
            1, -1
        )  # Asumiendo que la entrada debe ser de forma (1, num_features)
        prediction = model.predict(input_data).round()
        return {"prediction": prediction.tolist()}
    except Exception as e:
        raise HTTPException(status_code=500, detail=str(e))