Upload 5 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"]

README.md

@@ -0,0 +1,10 @@
+---
+title: Ejemplo Anibal
+emoji: 🏆
+colorFrom: red
+colorTo: indigo
+sdk: docker
+pinned: false
+---
+
+Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference

app.py

@@ -0,0 +1,62 @@
+from fastapi import FastAPI
+from pydantic import BaseModel
+import pickle
+import numpy as np
+from fastapi.middleware.cors import CORSMiddleware
+
+# Cargar el modelo desde el archivo .pkl
+with open("miarbolcancer.pkl", "rb") as f:
+    model = pickle.load(f)
+
+# Definir el modelo de datos con Pydantic (sin ca_cervix como entrada)
+class PredictionInput(BaseModel):
+    behavior_sexualRisk: float
+    behavior_eating: float
+    behavior_personalHygine: float
+    intention_aggregation: float
+    intention_commitment: float
+    attitude_consistency: float
+    attitude_spontaneity: float
+    norm_significantPerson: float
+    norm_fulfillment: float
+    perception_vulnerability: float
+    perception_severity: float
+    motivation_strength: float
+    motivation_willingness: float
+    socialSupport_emotionality: float
+    socialSupport_appreciation: float
+    socialSupport_instrumental: float
+    empowerment_knowledge: float
+    empowerment_abilities: float
+    empowerment_desires: float
+
+# Crear la aplicación FastAPI
+app = FastAPI()
+# CORS
+app.add_middleware(
+    CORSMiddleware,
+    allow_origins=["*"],
+    allow_credentials=True,
+    allow_methods=["*"],
+    allow_headers=["*"],
+)
+# Definir el endpoint de predicción
+@app.post("/predict/")
+def predict(input_data: PredictionInput):
+    # Convertir los datos de entrada en un array numpy
+    input_array = np.array([[input_data.behavior_sexualRisk, input_data.behavior_eating, input_data.behavior_personalHygine,
+                             input_data.intention_aggregation, input_data.intention_commitment, input_data.attitude_consistency,
+                             input_data.attitude_spontaneity, input_data.norm_significantPerson, input_data.norm_fulfillment,
+                             input_data.perception_vulnerability, input_data.perception_severity, input_data.motivation_strength,
+                             input_data.motivation_willingness, input_data.socialSupport_emotionality, input_data.socialSupport_appreciation,
+                             input_data.socialSupport_instrumental, input_data.empowerment_knowledge, input_data.empowerment_abilities,
+                             input_data.empowerment_desires]])
+    
+    # Realizar la predicción (el modelo debe predecir ca_cervix)
+    prediction = model.predict(input_array)
+    
+    # Convertir la predicción a tipo nativo Python (int o float)
+    prediction_value = prediction[0] if isinstance(prediction[0], (int, float)) else prediction[0].item()
+
+    # Retornar la predicción (ca_cervix)
+    return {"ca_cervix_prediction": prediction_value}

miarbolcancer (1).pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:b7084c9be6ae3c3ed6652c7d20fc05b4eeab7930f3ec1a19f83a12f96a737d83
+size 2023

requirements.txt

@@ -0,0 +1,5 @@
+fastapi
+pydantic
+numpy
+uvicorn
+scikit-learn