🤖 ML Training API

API REST profesional para entrenamiento y predicción de modelos de Machine Learning usando FastAPI y scikit-learn.

🚀 Características

• ✅ Tres tipos de problemas ML: Regresión, Clasificación, Clustering
• ✅ Cuatro algoritmos: Linear Regression, Logistic Regression, Random Forest, K-Means
• ✅ Métricas completas: Accuracy, Precision, Recall, F1-Score, RMSE, R²
• ✅ API REST completa con validación Pydantic
• ✅ Documentación automática con Swagger/ReDoc
• ✅ Arquitectura limpia con separación de responsabilidades
• ✅ Persistencia de modelos para reutilización
• ✅ Preparado para producción y escalado horizontal

📋 Requisitos

• Python 3.9+
• pip

🛠️ Instalación

# Clonar el repositorio
git clone <repository-url>
cd ml-api

# Crear entorno virtual
python -m venv venv

# Activar entorno virtual

# En Linux/Mac:
source venv/bin/activate

# En Windows:
venv\Scripts\activate

# Instalar dependencias
pip install -r requirements.txt

# Copiar archivo de configuración
cp .env.example .env

🏃 Ejecución

Modo Desarrollo

uvicorn app.main:app --reload --host 0.0.0.0 --port 8000

Modo Producción

uvicorn app.main:app --host 0.0.0.0 --port 8000 --workers 4

📖 Documentación

Una vez iniciado el servidor, accede a:

• Swagger UI: http://localhost:8000/docs
• ReDoc: http://localhost:8000/redoc
• Health Check: http://localhost:8000/health

🔌 Endpoints Principales

1. Entrenar Modelo

POST /api/v1/training

2. Realizar Predicción

POST /api/v1/prediction

3. Listar Modelos

GET /api/v1/models

4. Obtener Info de Modelo

GET /api/v1/models/{model_id}

5. Eliminar Modelo

DELETE /api/v1/models/{model_id}

📝 Ejemplos de Uso

Clasificación con Random Forest

curl -X POST "http://localhost:8000/api/v1/training" \
  -H "Content-Type: application/json" \
  -d '{
    "dataset": [
      {"feature1": 1.2, "feature2": 3.4, "target": 0},
      {"feature1": 2.1, "feature2": 4.5, "target": 1}
    ],
    "target_column": "target",
    "problem_type": "classification",
    "algorithm": "random_forest",
    "hyperparameters": {"n_estimators": 100}
  }'

Predicción

curl -X POST "http://localhost:8000/api/v1/prediction" \
  -H "Content-Type: application/json" \
  -d '{
    "model_id": "model_20240125_123456",
    "data": [
      {"feature1": 1.5, "feature2": 3.2}
    ]
  }'

🏗️ Arquitectura

ml-api/
├── app/
│   ├── main.py              # Entry point
│   ├── config.py            # Configuración
│   ├── api/                 # Endpoints
│   │   └── v1/endpoints/
│   ├── models/              # Schemas Pydantic
│   ├── services/            # Lógica de negocio
│   │   ├── ml_service.py
│   │   ├── data_processor.py
│   │   ├── model_manager.py
│   │   └── metrics_service.py
│   └── core/                # Excepciones, utilidades
└── storage/models/          # Modelos entrenados

🧪 Testing

# Instalar dependencias de testing
pip install pytest pytest-cov httpx

# Ejecutar tests
pytest tests/ -v

# Con coverage
pytest tests/ --cov=app --cov-report=html

🔒 Seguridad

• Validación de datos con Pydantic
• Límite de tamaño de datasets
• Manejo de excepciones robusto
• CORS configurable

📊 Algoritmos Soportados

Regresión

• Linear Regression: Para relaciones lineales
• Random Forest Regressor: Para relaciones no lineales

Clasificación

• Logistic Regression: Clasificación binaria/multiclase
• Random Forest Classifier: Clasificación robusta

Clustering

• K-Means: Agrupamiento no supervisado