Upload 3 files

Dockerfile

@@ -0,0 +1,16 @@
+# 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
+RUN pip install fastapi uvicorn
+
+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 +1,45 @@
+import numpy as np
+np.random.seed(0)
+import pickle
+from sklearn.compose import ColumnTransformer
+from sklearn.datasets import fetch_openml
+from sklearn.pipeline import Pipeline
+from sklearn.impute import SimpleImputer
+from sklearn.preprocessing import StandardScaler, OneHotEncoder
+from sklearn.linear_model import LogisticRegression
+from sklearn.model_selection import train_test_split
+
+from sklearn import tree
+
+from fastapi import FastAPI, HTTPException
+from fastapi.responses import HTMLResponse
+from pydantic import BaseModel
+from typing import List
+
+class InputData(BaseModel):
+    data: List[float]
+    
+# Inicializar la aplicación FastAPI
+app = FastAPI()
+
+def build_model():
+  with open('miarbol.pkl', 'rb') as fid:
+    miarbol = pickle.load(fid)  
+  return miarbol
+   
+miarbol = build_model()
+
+# Ruta de predicción
+@app.post("/predict/")
+async def predict(data: InputData):
+    print(f"Data: {data}")
+    global miarbol
+    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 = miarbol.predict(input_data).round()
+        return {"prediction": prediction.tolist()}
+    except Exception as e:
+        raise HTTPException(status_code=500, detail=str(e))

requirements.txt

@@ -0,0 +1,6 @@
+fastapi
+numpy
+setuptools
+scikit-learn
+pydantic
+uvicorn