Upload 6 files

README (1).md

@@ -0,0 +1,51 @@
+---
+title: UFC KO/TKO Predictor
+emoji: 🥊
+colorFrom: 'red'
+colorTo: 'blue'
+sdk: gradio
+sdk_version: "4.3.0"
+app_file: app.py
+pinned: false
+license: mit
+---
+
+# 🥊 Predictor de Finalización UFC (KO/TKO)
+
+Aplicación de Machine Learning que predice la **probabilidad de que un combate termine por Knockout/Technical Knockout (KO/TKO)**, basándose en el análisis de estadísticas de los peleadores y el contexto de la pelea.
+
+## 🎯 Objetivo y Modelo
+
+El modelo de clasificación fue entrenado para responder a la pregunta binaria: **¿El combate finaliza por KO/TKO (1) o Decisión/Sumisión (0)?**
+
+* **Algoritmo Principal:** **Random Forest Classifier** (Seleccionado tras una evaluación comparativa).
+* **Métrica Clave:** **AUC Score** (Área bajo la curva ROC), priorizando la capacidad de distinción de clases.
+* **Pipeline de Preprocesamiento:** Incluye Imputación de nulos, `StandardScaler` y `OneHotEncoder` para la ubicación (`Location`). 
+
+[Image of Heatmap of a Correlation Matrix]
+
+
+## 📊 Características Clave Analizadas
+
+El modelo utiliza características de diferencia y estadísticas brutas:
+
+* **Diferencias:** Diferencia de Knockdowns (`KD_diff`), Golpes Significativos (`STR_diff`), Derribos (`TD_diff`) y Sumisiones.
+* **Estadísticas Brutas:** `Round` actual, Precisión de golpeo de ambos peleadores.
+* **Contexto:** Ubicación del evento (`Location`) y Categoría de Peso (OHE).
+
+## ⚙️ Arquitectura Técnica
+
+El servicio se despliega usando el ciclo de vida completo de ML:
+
+1.  **Entorno:** Google Colab / Scikit-learn.
+2.  **Serialización:** `model.pkl` y `preprocessor.pkl`.
+3.  **Despliegue:** **Gradio** en un **Hugging Face Space**.
+
+## 💻 Uso de la Interfaz
+
+1.  **Ingresa las estadísticas** brutas y de diferencia de los peleadores.
+2.  **Asegúrate de que la Ubicación** sea correcta (usado para codificación).
+3.  El modelo devuelve una **Probabilidad de KO/TKO (%)** y el **Resultado Más Probable**.
+
+---
+*Este proyecto fue desarrollado con fines educativos y de demostración para el curso de Análisis de Datos.*

app.py

@@ -0,0 +1,103 @@
+# app.py
+import gradio as gr
+import joblib
+import pandas as pd
+import numpy as np
+import os
+from sklearn.preprocessing import StandardScaler, OneHotEncoder 
+from sklearn.impute import SimpleImputer
+from sklearn.compose import ColumnTransformer
+from sklearn.pipeline import Pipeline
+from sklearn.ensemble import RandomForestClassifier
+
+# --- CORRECCIÓN: Listas hardcodeadas para la interfaz ---
+UFC_LOCATIONS = [
+    'Las Vegas, NV', 'Rio de Janeiro, Brazil', 'Abu Dhabi, UAE',
+    'London, England', 'New York, NY', 'Otros'
+]
+
+# --- 1. Cargar objetos serializados ---
+model = None
+preprocessor = None
+model_columns = []
+try:
+    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:
+    print(f"Error al cargar artefactos: {e}")
+
+# --- 2. Función de Predicción (Ganador) ---
+# Los argumentos de entrada son las estadísticas brutas.
+def predict_winner(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, 
+                   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 model is None or preprocessor is None:
+        return "ERROR", "Fallo al cargar modelo. Revisa el log de versiones de Scikit-learn."
+
+    # 1. Crear el DataFrame de entrada
+    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],
+        '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.
+    X_processed = preprocessor.transform(input_data)
+    X_final = pd.DataFrame(X_processed, columns=model_columns)
+    
+    # 3. Predicción
+    # P(F1 Gana) = P(Clase 1)
+    proba_f1_wins = model.predict_proba(X_final)[0][1] 
+    
+    # 4. Formato de Salida
+    if proba_f1_wins >= 0.50:
+        winner = "PELEADOR 1 (Predicción)"
+        confidence_percent = f"{proba_f1_wins*100:.2f}%"
+    else:
+        winner = "PELEADOR 2 (Predicción)"
+        # La confianza es 1 - P(F1 Gana)
+        confidence_percent = f"{(1 - proba_f1_wins)*100:.2f}%"
+        
+    return winner, confidence_percent
+
+# --- 3. Creación de la Interfaz Gradio ---
+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(UFC_LOCATIONS, value='Las Vegas, NV', label="Ubicación"),
+    gr.Checkbox(value=True, label="weight_class_Lightweight (wc_L)"), gr.Checkbox(value=False, label="weight_class_Bantamweight (wc_B)"), 
+    gr.Checkbox(value=False, label="weight_class_Catch Weight (wc_C)"), gr.Checkbox(value=False, label="weight_class_Featherweight (wc_F)"),
+    gr.Checkbox(value=False, label="weight_class_Flyweight (wc_Fl)"), gr.Checkbox(value=False, label="weight_class_Heavyweight (wc_H)"),
+    gr.Checkbox(value=False, label="weight_class_Light Heavyweight (wc_LH)"), gr.Checkbox(value=False, label="weight_class_Middleweight (wc_M)"),
+    gr.Checkbox(value=False, label="weight_class_Open Weight (wc_O)"), gr.Checkbox(value=False, label="weight_class_Super Heavyweight (wc_SH)"),
+    gr.Checkbox(value=False, label="weight_class_Welterweight (wc_W)"), gr.Checkbox(value=False, label="weight_class_Women's Bantamweight (wc_WB)"),
+    gr.Checkbox(value=False, label="weight_class_Women's Featherweight (wc_WF)"), gr.Checkbox(value=False, label="weight_class_Women's Flyweight (wc_WFl)"),
+    gr.Checkbox(value=False, label="weight_class_Women's Strawweight (wc_WS)")
+]
+
+outputs = [gr.Textbox(label="Ganador Predicho"), gr.Textbox(label="Confianza (%)")]
+
+gr.Interface(
+    fn=predict_winner,
+    inputs=inputs,
+    outputs=outputs,
+    title="🥊 Predictor del Ganador de Combates UFC",
+    description="Modelo Random Forest para predecir si el Peleador 1 o el Peleador 2 ganará."
+).launch(server_name="0.0.0.0", server_port=7860)

model (1).pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:5b7e9ac0a2615424608c379be33a5faccea2c24cb8d5c3447d1578396ff0ae50
+size 2319337

model_columns (1).pkl

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

preprocessor (1).pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:03b1023f6b3d90cb7fd3758d1c412da46f61b451ae0243f63a5a2402ef5512bc
+size 10879

requirements.txt

@@ -0,0 +1,6 @@
+# requirements.txt
+pandas
+numpy
+scikit-learn==1.3.2
+gradio==4.3.0
+joblib