Upload 6 files

README (1).md

@@ -0,0 +1,28 @@
+# 🥊 Análisis y Despliegue de Datos UFC (ML Space)
+
+Este Hugging Face Space aloja el modelo de Machine Learning desarrollado para el proyecto de Análisis de Datos de la asignatura, utilizando Gradio para crear una interfaz de usuario y una API de inferencia.
+
+## 🎯 Objetivo
+El modelo tiene como objetivo principal predecir la **probabilidad de que un combate de UFC termine por Knockout/Technical Knockout (KO/TKO)**, basándose en estadísticas de los peleadores (golpeo, derribos, precisión) y el contexto de la pelea (categoría de peso y ubicación).
+
+## 🚀 Arquitectura del Modelo
+* **Problema:** Clasificación Binaria.
+* **Algoritmo:** **Random Forest Classifier** (Seleccionado por su alto rendimiento en métricas AUC y F1 Score).
+* **Preprocesamiento:**
+    * **Escalado:** `StandardScaler` aplicado a todas las estadísticas brutas.
+    * **Codificación:** `OneHotEncoder` aplicado a la variable categórica `Location`.
+    * **Features:** Se utilizan variables de diferencia (`KD_diff`, `STR_diff`, etc.) y las variables OHE de la categoría de peso (`weight_class_...`) como features de entrada.
+
+## 💻 Requisitos de la Aplicación
+* **SDK:** Gradio
+* **Librerías:** `scikit-learn`, `pandas`, `numpy`, `joblib`.
+
+## ⚙️ Estructura del Proyecto
+* `app.py`: El código de la aplicación Gradio.
+* `requirements.txt`: Dependencias de Python.
+* `model.pkl`: Modelo de clasificación serializado.
+* `preprocessor.pkl`: El ColumnTransformer ajustado.
+* `model_columns.pkl`: Lista de las columnas de entrada, asegurando la integridad del pipeline.
+
+---
+*Este proyecto demuestra el ciclo de vida completo de un modelo de Machine Learning, desde la limpieza de datos hasta el despliegue en la nube.*

app (1).py

@@ -0,0 +1,96 @@
+# app.py
+import gradio as gr
+import joblib
+import pandas as pd
+import numpy as np
+import os
+from sklearn.preprocessing import StandardScaler # Asegura que joblib pueda cargar el objeto
+
+# --- 1. Cargar objetos serializados ---
+try:
+    # Carga segura de artefactos en el entorno de Hugging Face
+    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
+    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."
+
+    # 1. Crear el DataFrame de entrada con las 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],
+        'Round': [Round], 'Fighter_1_accuracy': [F1_acc], 'Fighter_2_accuracy': [F2_acc],
+        'KD_diff': [KD_diff], 'STR_diff': [STR_diff], 'TD_diff': [TD_diff], 'SUB_diff': [SUB_diff],
+        'Location': [Location],
+        # Columnas OHE ya existentes en el dataset (passthrough)
+        'weight_class_Bantamweight': [wc_B], 'weight_class_Catch Weight': [wc_C], 'weight_class_Featherweight': [wc_F],
+        'weight_class_Flyweight': [wc_Fl], 'weight_class_Heavyweight': [wc_H], 'weight_class_Light Heavyweight': [wc_LH],
+        'weight_class_Lightweight': [wc_L], 'weight_class_Middleweight': [wc_M], 'weight_class_Open Weight': [wc_O],
+        'weight_class_Super Heavyweight': [wc_SH], 'weight_class_Welterweight': [wc_W], 
+        "weight_class_Women's Bantamweight": [wc_WB], "weight_class_Women's Featherweight": [wc_WF], 
+        "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'.
+    X_processed = preprocessor.transform(input_data)
+    
+    # 3. Convertir a DataFrame y asegurar el orden de las columnas (CRUCIAL)
+    X_final = pd.DataFrame(X_processed, columns=model_columns)
+    
+    # 4. Predicción
+    prediction_proba = model.predict_proba(X_final)[0][1] # Probabilidad de 1 (KO/TKO)
+    
+    # 5. Formato de Salida
+    prob_str = f"{prediction_proba*100:.2f}%"
+    result_str = 'KO/TKO (¡Alta probabilidad de finalización!)' if prediction_proba > 0.5 else 'DECISIÓN/SUMISIÓN (Pelea a las tarjetas)'
+        
+    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"),
+    gr.Slider(0, 20, value=5, label="TD P1"), gr.Slider(0, 20, value=2, label="TD P2"),
+    gr.Slider(0, 5, value=0, step=1, label="SUB P1"), gr.Slider(0, 5, value=0, step=1, label="SUB P2"),
+    gr.Slider(1, 5, value=3, step=1, label="Ronda actual (Round)"),
+    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)")
+]
+
+outputs = [gr.Textbox(label="Probabilidad de KO/TKO (%)"), gr.Textbox(label="Resultado Más Probable")]
+
+gr.Interface(
+    fn=predict_ko_tko,
+    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)

model.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:47b3025851dec4bcb71ed75ad1cad89324a0d93c490824b74c8e751733a4ae77
+size 12905769

model_columns.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:448bedf417d5e97e35963c15fae216ef0f3dede72f902fd063ea9d272638b96c
+size 8071

preprocessor.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:c596cb0100d36aad090795256e4531af7527b82c7ef3be2f097c6d7404ed7868
+size 10967

requirements (1).txt

@@ -0,0 +1,6 @@
+# requirements.txt
+pandas
+numpy
+scikit-learn
+gradio==4.3.0
+joblib