Update utils.py

Borro parte de versiones y direccion de donde tomar matriz y modelo

utils.py

@@ -10,56 +10,11 @@ from sklearn.metrics.pairwise import cosine_similarity
 from joblib import dump, load
 from sklearn.preprocessing import normalize
 
-# def get_latest_version(base_filename):
-#     """
-#     Obtiene la última versión del archivo guardado.
-#     Args:
-#         base_filename (str): Nombre base del archivo (sin versión)
-#     Returns:
-#         str: Nombre del archivo con la versión más reciente
-#     """
-#     # Buscar todos los archivos que coincidan con el patrón
-#     pattern = f"{base_filename}_*.joblib"
-#     matching_files = glob.glob(pattern)
-    
-#     if not matching_files:
-#         return f"{base_filename}_0001.joblib"
-    
-#     # Extraer los números de versión y encontrar el máximo
-#     versions = []
-#     for file in matching_files:
-#         match = re.search(r'_(\d{4})\.joblib$', file)
-#         if match:
-#             versions.append(int(match.group(1)))
-    
-#     if versions:
-#         latest_version = max(versions)
-#         return f"{base_filename}_{latest_version:04d}.joblib"
-    
-#     return f"{base_filename}_0001.joblib"
-
-# def get_next_version(base_filename):
-#     """
-#     Genera el nombre del archivo para la siguiente versión.
-#     Args:
-#         base_filename (str): Nombre base del archivo (sin versión)
-#     Returns:
-#         str: Nombre del archivo con la siguiente versión
-#     """
-#     latest_file = get_latest_version(base_filename)
-#     match = re.search(r'_(\d{4})\.joblib$', latest_file)
-#     if match:
-#         current_version = int(match.group(1))
-#         next_version = current_version + 1
-#     else:
-#         next_version = 1
-    
-#     return f"{base_filename}_{next_version:04d}.joblib"
 
 def recomienda_tf(new_basket, cestas, productos): 
     # Cargar la matriz TF y el modelo
-    tf_matrix = load('../models/count_matrix_2.joblib')
-    count = load('../models/count_vectorizer_2.joblib')
+    tf_matrix = load('models/count_matrix_2.joblib')
+    count = load('models/count_vectorizer_2.joblib')
                     
     # Convertir la nueva cesta en formato TF (Term Frequency)
     new_basket_str = ' '.join(new_basket)
@@ -128,8 +83,8 @@ def retroalimentacion(cestas, cesta_nueva):
     tf_matrix = normalize(count_matrix, norm='l1')
 
     
-    dump(count_vectorizer, '../models/count_vectorizer_final.joblib')
-    dump(tf_matrix, '../models/tf_matrix_final.joblib')
+    dump(count_vectorizer, 'models/count_vectorizer_final.joblib')
+    dump(tf_matrix, 'models/tf_matrix_final.joblib')
     
 
     return None