Update app.py

app.py

@@ -2,8 +2,9 @@ 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
+# pandas yerine scikit-learn'ün TF-IDF'i için gerekli olan diğer kütüphaneler de listelenmeli
 import os
+import numpy as np # olasılıklar için
 
 # --- AYARLAR ---
 # Modelin indirileceği depo (Sizin depo bilgileriniz)
@@ -20,6 +21,8 @@ def load_model():
     global model
     try:
         print(f"{HF_USERNAME}/{REPO_NAME} deposundan {MODEL_FILE} indiriliyor...")
+        # NOT: Pipeline'ınızın içinde kullanılan tüm kütüphaneler (örneğin TfidfVectorizer) 
+        # burada yüklü olmalıdır. joblib, pickle ile yüklediği objenin kütüphanelerini ister.
         model_path = hf_hub_download(
             repo_id=f"{HF_USERNAME}/{REPO_NAME}",
             filename=MODEL_FILE
@@ -39,38 +42,70 @@ async def startup_event():
 # 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}
+    return {"status": "CheckMate RF Sınıflandırma API Aktif", "model_loaded": model is not None}
 
-# Tahmin için kullanılacak veri modelini tanımla
+# Tahmin için kullanılacak veri modelini tanımla (Giriş)
 class PredictRequest(BaseModel):
     text: str
 
+# Çıktı için kullanılacak veri modelini tanımla (İstenen format)
+class PredictResponse(BaseModel):
+    risk_type: str
+    message: str
+
 # n8n'in çağıracağı ana tahmin endpoint'i
-@app.post("/predict")
+@app.post("/predict", response_model=PredictResponse)
 def predict(request: PredictRequest):
     if model is None:
-        return {"error": "Model yüklenemedi, lütfen Space loglarını kontrol edin."}
+        # Eğer model yüklenemediyse istenen hata formatını döndür
+        return PredictResponse(
+            risk_type="ERROR",
+            message="Model yüklenemedi. Lütfen FastAPI 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]])
+        # 1. Tahmin ve Güven Skorunu Al
+        prediction_label = model.predict(input_text)[0] # 0 veya 1
         probabilities = model.predict_proba(input_text)[0]
-        confidence_score = probabilities[prediction_label] # Tahmin edilen etiketin skoru
+        
+        # prediction_label 0 (YALAN/DISINFORMATION) veya 1 (DOĞRU/NONE) olmalı.
+        # Bu mapping, modelinizin 0'ı neye karşılık getirdiğine bağlıdır.
+        # Genellikle 0 = Negatif (Yalan), 1 = Pozitif (Doğru) olarak kabul edilir.
+        
+        # 2. Risk Tipini Belirle
+        if prediction_label == 1: # Varsayım: 1 = DOĞRU / RİSK YOK
+            risk_type = "NONE"
+            # Tahmin edilen skor, 1'in olasılığıdır
+            confidence_score = probabilities[1] 
+            
+            # 3. Mesajı Oluştur
+            message = f"Metin, modelimiz tarafından %{confidence_score * 100:.2f} güvenle herhangi bir risk taşımayan (DOĞRU) bilgi olarak sınıflandırılmıştır."
+            
+        elif prediction_label == 0: # Varsayım: 0 = YALAN / DİSİNFORMASYON
+            risk_type = "DISINFORMATION"
+            # Tahmin edilen skor, 0'ın olasılığıdır
+            confidence_score = probabilities[0] 
+            
+            # 3. Mesajı Oluştur
+            message = f"Metin, modelimiz tarafından %{confidence_score * 100:.2f} güvenle DİSİNFORMASYON riski taşıyan (YALAN) bilgi olarak sınıflandırılmıştır."
+            
+        else:
+             # Beklenmeyen bir etiket gelirse
+            risk_type = "ERROR"
+            message = "Model beklenmeyen bir etiket döndürdü."
 
-        # 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)
-        }
+        # 4. İstenen Formatı Döndür
+        return PredictResponse(
+            risk_type=risk_type,
+            message=message
+        )
 
     except Exception as e:
-        return {"error": "Tahmin sırasında bir hata oluştu", "details": str(e)}
+        # Tahmin sırasında bir hata oluşursa istenen hata formatını döndür
+        return PredictResponse(
+            risk_type="ERROR",
+            message=f"Tahmin sırasında bir hata oluştu: {str(e)}"
+        )