Upload 4 files

Dockerfile

@@ -0,0 +1,15 @@
+# Usa una imagen base de Python
+FROM python:3.9
+# Establece el directorio de trabajo
+WORKDIR /code
+
+# Copia los archivos necesarios al contenedor
+COPY ./requirements.txt /code/requirements.txt
+RUN pip install --no-cache-dir -r /code/requirements.txt
+
+COPY . .
+
+RUN chmod -R 777 /code
+
+# Comando para ejecutar la aplicación
+CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "7860"]

app.py

@@ -0,0 +1,41 @@
+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))

miarbol.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:ca46bc80488adbe4c924da6d87a33efd73b78855a1f138fa741a7580e6d4c11e
+size 6898

requirements.txt

@@ -0,0 +1,5 @@
+scipy
+scikit-learn==1.2.2
+fastapi
+numpy==1.17.3
+pydantic