Update app.py

app.py

@@ -1,8 +1,9 @@
-from fastapi import FastAPI, HTTPException, Request
+from fastapi import FastAPI, HTTPException
 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
 
 class SoilInput(BaseModel):
     cement_perecent: float
@@ -29,9 +30,9 @@ class SoilInput(BaseModel):
 
 app = FastAPI()
 
-# Încărcăm direct modelul Random Forest, fără wrapper
+# Încărcăm modelul Random Forest direct
 try:
-    model = joblib.load('model.joblib')  # Aici folosim modelul salvat fără wrapper
+    model = joblib.load('rf_model.joblib')
     print("Model încărcat cu succes!")
 except Exception as e:
     print(f"Eroare la încărcarea modelului: {str(e)}")
@@ -39,15 +40,33 @@ except Exception as e:
 
 @app.post("/predict")
 async def predict(soil_data: SoilInput):
+    """
+    Realizează predicții pentru UCS folosind parametrii solului
+    """
     try:
-        input_df = pd.DataFrame([soil_data.dict()])
+        # 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 = ['cement_perecent', 'curing_period', 'compaction_rate']
+        input_df = input_df[feature_order]
+        
+        # Facem predicția
         prediction = model.predict(input_df)
         
         return {
             "success": True,
             "prediction": float(prediction[0]),
             "units": "kPa",
-            "input_parameters": soil_data.dict()
+            "input_parameters": input_data
         }
     except Exception as e:
-        raise HTTPException(status_code=400, detail=str(e))
+        raise HTTPException(status_code=400, detail=str(e))
+
+@app.get("/")
+async def root():
+    """
+    Endpoint pentru verificarea stării API-ului
+    """
+    return {"status": "API is running", "model_loaded": model is not None}