README.md

---
language: es
tags:
- svm
- fashion-mnist
- flask
- api
- machine-learning
license: mit
datasets:
- fashion-mnist
metrics:
- accuracy
---

# SVM Fashion-MNIST — API Flask

Proyecto que entrena un clasificador **SVM + PCA** sobre el dataset **Fashion-MNIST**
y lo sirve como API REST con Flask.

---

## Estructura del proyecto

```
svm_fashion_flask/
├── train_model.py      ← Entrena y guarda los artefactos (.pkl)
├── app.py              ← API Flask (endpoint de predicción)
├── test_api.py         ← Script de prueba de los endpoints
├── requirements.txt
└── models/             ← Generado automáticamente por train_model.py
    ├── scaler.pkl
    ├── pca.pkl
    └── svm_model.pkl
```

---

## Instalación

```bash
# 1. Crear entorno virtual (recomendado)
python -m venv venv
source venv/bin/activate       # Windows: venv\Scripts\activate

# 2. Instalar dependencias
pip install -r requirements.txt
```

---

## Uso

### Paso 1 — Entrenar el modelo

```bash
python train_model.py
```

> Descarga Fashion-MNIST, aplica PCA, busca hiperparámetros con GridSearchCV
> y guarda los artefactos en `models/`.  
> **Tiempo estimado: 10-30 min** según el hardware.  
> La precisión objetivo es **≥ 90 %**.

### Paso 2 — Iniciar la API

```bash
python app.py
```

La API queda disponible en `http://127.0.0.1:5000`.

### Paso 3 — Probar los endpoints

```bash
python test_api.py
```

---

## Endpoints

### `GET /health`
Verifica que la API y el modelo estén operativos.

```json
{
  "status": "ok",
  "model_loaded": true,
  "message": "API operativa"
}
```

---

### `GET /model/info`
Metadatos del modelo cargado.

```json
{
  "model_type": "SVC",
  "kernel": "rbf",
  "C": 50,
  "gamma": 0.01,
  "classes": ["T-shirt/top", "Trouser", "..."],
  "pca_components": 187,
  "pca_variance_ratio": 0.9502,
  "input_features": 784
}
```

---

### `POST /predict`
Clasifica **una** imagen.

**Body:**
```json
{
  "pixels": [0, 128, 255, ...]   // 784 valores enteros (0-255)
}
```

**Respuesta:**
```json
{
  "class_id":   7,
  "class_name": "Sneaker",
  "confidence": 0.9423,
  "probabilities": {
    "T-shirt/top": 0.01,
    "Sneaker": 0.9423,
    "..."
  },
  "inference_ms": 12.4
}
```

---

### `POST /predict/batch`
Clasifica **múltiples** imágenes en una llamada.

**Body:**
```json
{
  "images": [
    [0, 128, 255, ...],
    [...]
  ]
}
```

**Respuesta:**
```json
{
  "results": [
    {"class_id": 7, "class_name": "Sneaker", "confidence": 0.94},
    {"class_id": 1, "class_name": "Trouser", "confidence": 0.88}
  ],
  "count": 2,
  "inference_ms": 25.1
}
```

---

## Clases Fashion-MNIST

| ID | Nombre       |
|----|--------------|
| 0  | T-shirt/top  |
| 1  | Trouser      |
| 2  | Pullover     |
| 3  | Dress        |
| 4  | Coat         |
| 5  | Sandal       |
| 6  | Shirt        |
| 7  | Sneaker      |
| 8  | Bag          |
| 9  | Ankle boot   |

---

## Notas técnicas

- Split **80 % entrenamiento / 20 % prueba** sobre 30 000 muestras estratificadas.
- **PCA** conserva el 95 % de la varianza (~180-200 componentes).
- **GridSearchCV** con `C ∈ {10, 50}`, `gamma ∈ {0.001, 0.01}`, kernel `rbf`, cv=3.
- `SVC(probability=True)` habilita scores de confianza por clase.