upload all files

Dockerfile

@@ -0,0 +1,21 @@
+
+# 1. ใช้ base image ของ Python 3.9
+FROM python:3.9-slim
+
+# 2. ตั้งค่า working directory ใน container
+WORKDIR /code
+
+# 3. คัดลอกไฟล์ requirements.txt เข้าไปก่อน
+COPY ./requirements.txt /code/requirements.txt
+
+# 4. ติดตั้ง dependencies จากไฟล์ requirements.txt
+RUN pip install --no-cache-dir --upgrade -r /code/requirements.txt
+
+# 5. คัดลอกไฟล์โค้ดและโมเดลทั้งหมดเข้าไป
+COPY . /code/
+
+# 6. บอกให้ Container เปิด Port 80 รอรับการเชื่อมต่อ
+EXPOSE 80
+
+# 7. คำสั่งสำหรับรันแอปพลิเคชันของเรา  ใช้ PORT  7860  ซึ่งเป็น defaul port ของ Hugging face Space
+CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "7860"]

iris_random_forest.joblib

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:d6ed39853e9da1d351ef1580e5d9cb73c3dc177fad26a346488de9ba5cde359e
+size 186753

main.py

@@ -0,0 +1,63 @@
+
+# main.api.py
+# นี่คือไฟล์ที่จะใช้รันเป็น Web Server ของเรา
+
+from fastapi import FastAPI
+from pydantic import BaseModel
+from joblib import load
+import numpy as np
+
+# สร้างแอป FastAPI พร้อมใส่ Metadata ที่สวยงาม
+app = FastAPI(
+    title="Iris Species Prediction API",
+    description="An API to predict the species of Iris flowers. Created for educational purposes.",
+    version="1.0.0"
+)
+
+# โหลดโมเดลที่ฝึกไว้
+# โค้ดนี้จะทำงานเมื่อ Server เริ่มต้นขึ้น
+try:
+    model = load('iris_random_forest.joblib')
+    target_names = ['setosa', 'versicolor', 'virginica']
+except FileNotFoundError:
+    model = None
+    target_names = []
+
+# กำหนดโครงสร้างข้อมูล Input ที่จะรับเข้ามาผ่าน API
+class IrisData(BaseModel):
+    sepal_length: float
+    sepal_width: float
+    petal_length: float
+    petal_width: float
+
+# สร้าง Endpoint พื้นฐานสำหรับทดสอบ
+@app.get("/")
+def read_root():
+    return {"message": "Welcome to the Iris Prediction API! Go to /docs to see the documentation."}
+
+# สร้าง Endpoint สำหรับการทำนาย (/predict)
+# @app.post หมายถึงรับข้อมูลผ่าน HTTP POST method
+@app.post("/predict")
+def predict_iris(data: IrisData):
+    if model is None:
+        return {"error": "Model not found."}
+
+    # แปลงข้อมูลจาก API เป็น numpy array ที่โมเดลเข้าใจ
+    input_data = np.array([[
+        data.sepal_length,
+        data.sepal_width,
+        data.petal_length,
+        data.petal_width
+    ]])
+
+    # ทำนายผล
+    prediction_index = model.predict(input_data)[0]
+    predicted_class_name = target_names[prediction_index]
+
+    # ส่งผลลัพธ์กลับไปในรูปแบบ JSON
+    return {
+        "input": data.dict(),
+        "predicted_class_index": int(prediction_index),
+        "predicted_class_name": predicted_class_name,
+        "Joob": 1233
+    }

requirements.txt

@@ -0,0 +1,6 @@
+fastapi==0.111.0
+uvicorn==0.30.1
+scikit-learn==1.6.1
+joblib==1.4.2
+numpy==1.26.4
+pydantic==2.7.4