app.py

from sklearn import tree
from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
import numpy as np
from typing import List
#import pickle

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

app = FastAPI()

# Función para construir el modelo manualmente
def build_model():
    from pickle import load
    with open("clf_train.pkl", "rb") as f:
        miarbol = load(f)
    
    #with open("clf_train.pkl", "rb") as tf:
    #    miarbol = pickle.load(tf)
    return miarbol

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

# 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))