Add confiança do diagnóstico

main.py

@@ -74,7 +74,7 @@ async def root():
 @app.post("/classify/")
 async def classify_image(file: UploadFile = File(...), token: str = Depends(verify_token)):
     """
-    Endpoint principal: Recebe uma imagem, extrai features e classifica.
+    Endpoint principal: Recebe uma imagem, extrai features e classifica com % de confiança.
     """
 
     print(f">> [{datetime.now().strftime('%d/%m %H:%M:%S')}] | Recebida imagem: {file.filename}.")
@@ -88,33 +88,39 @@ async def classify_image(file: UploadFile = File(...), token: str = Depends(veri
         raise HTTPException(status_code=500, detail=f"Erro ao salvar arquivo: {e}")
 
     try:
-        #Extrai Features (ConvNext - 1536 dimensões)
-        #(process_single_image vem do feature_extractor_single.py)
+        #Extrai Features
         features_array = process_single_image(temp_path)
         
-        #Prepara o vetor para Scikit-learn
-        #O sklearn espera um array 2D (1, 1536) e não (1536,)
+        #Prepara o vetor
         nova_feature = features_array.reshape(1, -1)
 
-        #Executa o pipeline de classificação
-        #Normaliza a nova feature com o mesmo scaler usado no treino
+        #Normaliza e Reduz
         nova_feature_scaled = SCALER.transform(nova_feature)
-
-        #Reduz usando o mesmo UMAP já treinado
         nova_feature_umap = UMAP.transform(nova_feature_scaled)
 
-        #Faz a predição
-        pred_numerica = SVM.predict(nova_feature_umap)
+        #MUDANÇA: LÓGICA DE PROBABILIDADE
+
+        #Obtém as probabilidades de TODAS as classes
+        #Retorna algo como [[0.05, 0.90, 0.05...]]
+        probs = SVM.predict_proba(nova_feature_umap)[0]
+
+        #Descobre o índice da maior probabilidade (o vencedor)
+        max_idx = np.argmax(probs)
         
-        #Converte a predição numérica de volta para o nome da classe
-        classe_predita_raw = ENCODER.inverse_transform(pred_numerica)[0]
+        #Pega o valor dessa probabilidade (a confiança)
+        confianca_valor = probs[max_idx] # Ex: 0.9542
+
+        #Converte o índice vencedor para o nome técnico
+        classe_predita_raw = ENCODER.inverse_transform([max_idx])[0]
         
-        #NORMALIZA A STRING DO MODELO TAMBÉM
+        #BLINDAGEM: normaliza a string
         classe_predita = normalize_string(str(classe_predita_raw))
 
-        #DEBUG: o que exatamente o modelo cuspiu vs o que tem no banco
-        #repr() para ver se tem caracteres escondidos como \n ou \r
-        print(f"DEBUG CHAVES: Modelo='{repr(classe_predita)}'")
+        #Formata a confiança para string (Ex: "95.42%")
+        confianca_str = f"{confianca_valor * 100:.2f}%"
+
+        #DEBUG: Verificando chaves
+        #print(f"DEBUG CHAVES: Modelo='{repr(classe_predita)}'")
 
         #BUSCA AS INFORMAÇÕES
         info_adicional = DB_INFO.get(classe_predita, {
@@ -125,17 +131,24 @@ async def classify_image(file: UploadFile = File(...), token: str = Depends(veri
         })
 
         #PEGA O NOME "BONITO" DO JSON
-        #Tenta pegar o campo 'nome'. Se não existir, usa a 'classe_predita'
         nome_exibicao = info_adicional.get("nome", classe_predita)
 
-        print(f">> [{datetime.now().strftime('%d/%m %H:%M:%S')}] | Diagnóstico para {file.filename}: {classe_predita}")
+        print(f">> [{datetime.now().strftime('%d/%m %H:%M:%S')}] | Diagnóstico: {classe_predita} | Confiança: {confianca_str}")
 
         return {
-            "diagnostico": nome_exibicao,  #AQUI VAI O NOME CORRIGIDO, INDEPENDENTE DE RÓTULO DO DATASET
-            "id_tecnico": classe_predita,  #(Opcional) ID técnico caso necessário
+            "diagnostico": nome_exibicao,
+            "confianca": confianca_str,    # <--- NOVO CAMPO
+            "id_tecnico": classe_predita,
             "info": info_adicional
         }
 
+    except Exception as e:
+        raise HTTPException(status_code=500, detail=f"Erro no processamento: {e}")
+    
+    finally:
+        if os.path.exists(temp_path):
+            os.remove(temp_path)
+
     except Exception as e:
         #Pega qualquer erro que acontecer durante a extração ou classificação
         raise HTTPException(status_code=500, detail=f"Erro no processamento: {e}")
@@ -145,7 +158,6 @@ async def classify_image(file: UploadFile = File(...), token: str = Depends(veri
         if os.path.exists(temp_path):
             os.remove(temp_path)
 
-
 @app.post("/extract_features/")
 async def extract_features(file: UploadFile = File(...), token: str = Depends(verify_token)):
     """