Update app.py

app.py

@@ -4,33 +4,38 @@ import joblib
 import pandas as pd
 import numpy as np
 import os
-from sklearn.preprocessing import StandardScaler # Asegura que joblib pueda cargar el objeto
+from sklearn.preprocessing import StandardScaler # Importado para evitar errores de unpickling
+
+# --- CORRECCIÓN: Listas hardcodeadas para la interfaz (resuelve NameError) ---
+UFC_LOCATIONS = [
+    'Las Vegas, NV', 'Rio de Janeiro, Brazil', 'Abu Dhabi, UAE',
+    'London, England', 'New York, NY', 'Outro' # Incluimos 'Outro' por si hay locations no vistas
+]
 
 # --- 1. Cargar objetos serializados ---
 try:
-    # Carga segura de artefactos en el entorno de Hugging Face
+    # Carga segura de artefactos
     model = joblib.load(os.path.join(os.path.dirname(__file__), 'model.pkl'))
     preprocessor = joblib.load(os.path.join(os.path.dirname(__file__), 'preprocessor.pkl'))
     model_columns = joblib.load(os.path.join(os.path.dirname(__file__), 'model_columns.pkl'))
 except Exception as e:
-    # Manejo de error si los archivos no se encuentran o están corruptos
+    # Este error capturará el problema de compatibilidad de Scikit-learn
     print(f"Error al cargar artefactos: {e}")
     model = None
     preprocessor = None
     model_columns = []
 
 # --- 2. Función de Predicción (Núcleo de la API) ---
-# Los argumentos de entrada coinciden con las columnas de X antes del preprocesamiento
 def predict_ko_tko(F1_KD, F2_KD, F1_STR, F2_STR, F1_TD, F2_TD, F1_SUB, F2_SUB, Round, 
                    F1_acc, F2_acc, KD_diff, STR_diff, TD_diff, SUB_diff, Location, 
-                   # Se incluyen las columnas OHE ya existentes en el CSV como inputs discretos
                    wc_B, wc_C, wc_F, wc_Fl, wc_H, wc_LH, wc_L, wc_M, wc_O, wc_SH, wc_W, 
                    wc_WB, wc_WF, wc_WFl, wc_WS):
 
     if not model or not preprocessor:
-        return "Error", "Modelo o preprocesador no cargado."
+        # Devuelve un mensaje claro si la carga falló por la versión de Scikit-learn
+        return "ERROR", "Fallo al cargar modelo. Revisa el log de versiones."
 
-    # 1. Crear el DataFrame de entrada con las 31 columnas originales de X
+    # 1. Crear el DataFrame de entrada (31 columnas originales de X)
     input_data = pd.DataFrame({
         'Fighter_1_KD': [F1_KD], 'Fighter_2_KD': [F2_KD], 'Fighter_1_STR': [F1_STR], 'Fighter_2_STR': [F2_STR],
         'Fighter_1_TD': [F1_TD], 'Fighter_2_TD': [F2_TD], 'Fighter_1_SUB': [F1_SUB], 'Fighter_2_SUB': [F2_SUB],
@@ -46,11 +51,10 @@ def predict_ko_tko(F1_KD, F2_KD, F1_STR, F2_STR, F1_TD, F2_TD, F1_SUB, F2_SUB, R
         "weight_class_Women's Flyweight": [wc_WFl], "weight_class_Women's Strawweight": [wc_WS]
     })
     
-    # 2. Preprocesamiento: Utilizar el ColumnTransformer ajustado. 
-    # Esto escala las estadísticas y aplica OHE a 'Location'.
+    # 2. Preprocesamiento: Utilizar el ColumnTransformer ajustado.
     X_processed = preprocessor.transform(input_data)
     
-    # 3. Convertir a DataFrame y asegurar el orden de las columnas (CRUCIAL)
+    # 3. Convertir a DataFrame y asegurar el orden de las columnas
     X_final = pd.DataFrame(X_processed, columns=model_columns)
     
     # 4. Predicción
@@ -63,7 +67,6 @@ def predict_ko_tko(F1_KD, F2_KD, F1_STR, F2_STR, F1_TD, F2_TD, F1_SUB, F2_SUB, R
     return prob_str, result_str
 
 # --- 3. Creación de la Interfaz Gradio ---
-# Definición de inputs (Simplificado con valores por defecto)
 inputs = [
     gr.Slider(0, 5, value=1, step=1, label="KD P1"), gr.Slider(0, 5, value=0, step=1, label="KD P2"),
     gr.Slider(0, 300, value=70, label="STR P1"), gr.Slider(0, 300, value=50, label="STR P2"),
@@ -73,16 +76,15 @@ inputs = [
     gr.Slider(0, 1, value=0.4, label="Precisión STR P1 (F1_acc)"), gr.Slider(0, 1, value=0.3, label="Precisión STR P2 (F2_acc)"),
     gr.Slider(-5, 5, value=1, label="Diferencia de KD"), gr.Slider(-300, 300, value=20, label="Diferencia de STR"),
     gr.Slider(-20, 20, value=3, label="Diferencia de TD"), gr.Slider(-5, 5, value=0, label="Diferencia de SUB"),
-    gr.Dropdown(df['Location'].unique().tolist(), value='Las Vegas, NV', label="Ubicación"),
-    # Se añade la categoría de peso como un switch binario (el usuario selecciona 1 y el resto 0)
-    gr.Checkbox(value=True, label="Lightweight (wc_L)"), gr.Checkbox(value=False, label="Bantamweight (wc_B)"), 
-    gr.Checkbox(value=False, label="Catch Weight (wc_C)"), gr.Checkbox(value=False, label="Featherweight (wc_F)"),
-    gr.Checkbox(value=False, label="Flyweight (wc_Fl)"), gr.Checkbox(value=False, label="Heavyweight (wc_H)"),
-    gr.Checkbox(value=False, label="Light Heavyweight (wc_LH)"), gr.Checkbox(value=False, label="Middleweight (wc_M)"),
-    gr.Checkbox(value=False, label="Open Weight (wc_O)"), gr.Checkbox(value=False, label="Super Heavyweight (wc_SH)"),
-    gr.Checkbox(value=False, label="Welterweight (wc_W)"), gr.Checkbox(value=False, label="Women's Bantamweight (wc_WB)"),
-    gr.Checkbox(value=False, label="Women's Featherweight (wc_WF)"), gr.Checkbox(value=False, label="Women's Flyweight (wc_WFl)"),
-    gr.Checkbox(value=False, label="Women's Strawweight (wc_WS)")
+    gr.Dropdown(UFC_LOCATIONS, value='Las Vegas, NV', label="Ubicación"), # Usa la lista corregida
+    gr.Checkbox(value=True, label="weight_class_Lightweight"), gr.Checkbox(value=False, label="weight_class_Bantamweight"), 
+    gr.Checkbox(value=False, label="weight_class_Catch Weight"), gr.Checkbox(value=False, label="weight_class_Featherweight"),
+    gr.Checkbox(value=False, label="weight_class_Flyweight"), gr.Checkbox(value=False, label="weight_class_Heavyweight"),
+    gr.Checkbox(value=False, label="weight_class_Light Heavyweight"), gr.Checkbox(value=False, label="weight_class_Middleweight"),
+    gr.Checkbox(value=False, label="weight_class_Open Weight"), gr.Checkbox(value=False, label="weight_class_Super Heavyweight"),
+    gr.Checkbox(value=False, label="weight_class_Welterweight"), gr.Checkbox(value=False, label="weight_class_Women's Bantamweight"),
+    gr.Checkbox(value=False, label="weight_class_Women's Featherweight"), gr.Checkbox(value=False, label="weight_class_Women's Flyweight"),
+    gr.Checkbox(value=False, label="weight_class_Women's Strawweight")
 ]
 
 outputs = [gr.Textbox(label="Probabilidad de KO/TKO (%)"), gr.Textbox(label="Resultado Más Probable")]
@@ -92,5 +94,5 @@ gr.Interface(
     inputs=inputs,
     outputs=outputs,
     title="🥊 Predictor de KO/TKO en Combates UFC (Despliegue ML)",
-    description="Modelo Random Forest para predecir la finalización de un combate. El modelo usa estadísticas de los peleadores y el contexto del evento."
-).launch(server_name="0.0.0.0", server_port=7860)
+    description="Modelo Random Forest para predecir la finalización de un combate."
+).launch(server_name="0.0.0.0", server_port=7860)