Update app.py

app.py

@@ -3,8 +3,22 @@ from pydantic import BaseModel, validator
 import pandas as pd
 import joblib
 import numpy as np
-from sklearn.ensemble import RandomForestRegressor  # Important să importăm pentru deserializare
+from sklearn.ensemble import RandomForestRegressor  # Important pentru deserializare
 
+app = FastAPI()
+
+# Încărcăm modelul
+try:
+    model = joblib.load('rf_model.joblib')
+    FEATURE_ORDER = model.feature_names_in_  # Obținem ordinea corectă a caracteristicilor
+    print("Model încărcat cu succes! Feature Order:", FEATURE_ORDER)
+except Exception as e:
+    print(f"Eroare la încărcarea modelului: {str(e)}")
+    model = None  # Setăm modelul ca None în caz de eroare
+    FEATURE_ORDER = []  # Inițializăm o listă goală pentru a evita erorile ulterioare
+
+
+# Definirea clasei pentru inputuri
 class SoilInput(BaseModel):
     cement_perecent: float
     curing_period: float
@@ -28,40 +42,26 @@ class SoilInput(BaseModel):
             raise ValueError("Viteza de compactare trebuie să fie între 0.5 și 1.5 mm/min")
         return v
 
-app = FastAPI()
-
-# Încărcăm modelul Random Forest direct
-try:
-    model = joblib.load('rf_model.joblib')
-    FEATURE_ORDER = model.feature_names_in_
-    print("Model încărcat cu succes!")
-except Exception as e:
-    print(f"Eroare la încărcarea modelului: {str(e)}")
-    raise
-
-# FEATURE_ORDER = ['cement_perecent', 'curing_period', 'compaction_rate']
 
 @app.post("/predict")
 async def predict(soil_data: SoilInput):
     """
     Realizează predicții pentru UCS
     """
+    if model is None:
+        raise HTTPException(status_code=500, detail="Modelul nu a fost încărcat corect")
+
     try:
         # Construim DataFrame-ul pentru predicție
         input_data = soil_data.dict()
         input_df = pd.DataFrame([input_data])
-        
-        # Ne asigurăm că ordinea coloanelor este corectă
-        feature_order = FEATURE_ORDER
-        input_df = input_df[feature_order]
-        # input_df = pd.DataFrame([soil_data.dict()])[FEATURE_ORDER]
-
-        # expected_features = model.feature_names_in_  # Extrage ordinea corectă din model
-       # input_df = input_df[expected_features]  # Reordonează caracteristicile
-        
+
+        # Ne asigurăm că ordinea caracteristicilor este corectă
+        input_df = input_df[FEATURE_ORDER]
+
         # Facem predicția
         prediction = model.predict(input_df)
-        
+
         return {
             "success": True,
             "prediction": float(prediction[0]),
@@ -71,6 +71,7 @@ async def predict(soil_data: SoilInput):
     except Exception as e:
         raise HTTPException(status_code=400, detail=str(e))
 
+
 @app.get("/status")
 async def root():
     """
@@ -78,14 +79,18 @@ async def root():
     """
     return {"status": "API is running", "model_loaded": model is not None}
 
+
 @app.get("/model-info")
 async def model_info():
     """
     Endpoint pentru informații despre model
     """
+    if model is None:
+        raise HTTPException(status_code=500, detail="Modelul nu a fost încărcat corect")
+
     return {
         "model_type": "Random Forest Regressor",
-        "features": FEATURE_ORDER,
+        "features": FEATURE_ORDER,  # Acum este garantat că FEATURE_ORDER este definit
         "target": "UCS (kPa)",
         "valid_ranges": {
             "cement_perecent": {"min": 0, "max": 10, "units": "%"},
@@ -98,4 +103,4 @@ async def model_info():
             "min_samples_split": 6,
             "min_samples_leaf": 2
         }
-    }
+    }