Create app.py

app.py

@@ -0,0 +1,76 @@
+from fastapi import FastAPI
+from pydantic import BaseModel
+import joblib
+from huggingface_hub import hf_hub_download
+import pandas # scikit-learn'ün TF-IDF'i için gerekli
+import os
+
+# --- AYARLAR ---
+# Modelin indirileceği depo (Sizin depo bilgileriniz)
+HF_USERNAME = "Artupak"
+REPO_NAME = "checkmate-rf-classifier"
+MODEL_FILE = "checkmate_rf_model.joblib"
+# --- Ayarlar Bitti ---
+
+print("API Başlatılıyor...")
+model = None
+
+def load_model():
+    """Modeli Hugging Face Hub'dan indirir ve yükler."""
+    global model
+    try:
+        print(f"{HF_USERNAME}/{REPO_NAME} deposundan {MODEL_FILE} indiriliyor...")
+        model_path = hf_hub_download(
+            repo_id=f"{HF_USERNAME}/{REPO_NAME}",
+            filename=MODEL_FILE
+        )
+        model = joblib.load(model_path)
+        print("Model başarıyla yüklendi.")
+    except Exception as e:
+        print(f"HATA: Model yüklenemedi: {e}")
+
+app = FastAPI()
+
+# API başladığında modeli yükle
+@app.on_event("startup")
+async def startup_event():
+    load_model()
+
+# API'nin "canlı" olup olmadığını kontrol etmek için basit bir endpoint
+@app.get("/")
+def read_root():
+    return {"status": "CheckMate API Aktif", "model_loaded": model is not None}
+
+# Tahmin için kullanılacak veri modelini tanımla
+class PredictRequest(BaseModel):
+    text: str
+
+# n8n'in çağıracağı ana tahmin endpoint'i
+@app.post("/predict")
+def predict(request: PredictRequest):
+    if model is None:
+        return {"error": "Model yüklenemedi, lütfen Space loglarını kontrol edin."}
+
+    # Gelen metni bir liste içine almalıyız, çünkü pipeline liste bekler
+    input_text = [request.text]
+
+    try:
+        # Tahmin yap (etiketi döner, örn: [1])
+        prediction_label = model.predict(input_text)[0]
+
+        # Güven skorunu al (olasılıkları döner, örn: [[0.1, 0.9]])
+        probabilities = model.predict_proba(input_text)[0]
+        confidence_score = probabilities[prediction_label] # Tahmin edilen etiketin skoru
+
+        # Etiketi (0/1) anlaşılır metne çevir
+        label_map = {0: "YALAN", 1: "DOĞRU"}
+
+        return {
+            "text": request.text,
+            "prediction_label": int(prediction_label),
+            "prediction_text": label_map.get(int(prediction_label), "Bilinmiyor"),
+            "confidence_score": float(confidence_score)
+        }
+
+    except Exception as e:
+        return {"error": "Tahmin sırasında bir hata oluştu", "details": str(e)}