create_model.py

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import classification_report
import os
import joblib

# Rutas relativas para el archivo Excel y la ubicación del modelo
excel_path = os.path.join('data', 'Rice_Spectral_2.xlsx')
model_path = os.path.join('model', 'svm_model.joblib')

# Cargar datos desde Excel especificando que los decimales están separados por comas
data = pd.read_excel(excel_path, sheet_name="Spectral", decimal=',')

# Asignar etiquetas: '0' para Java y '1' para Bangka Belitung
labels = [0 if "Java" in col else 1 for col in data.columns]

# Transponer el DataFrame para tener las firmas en filas y las características en columnas
data_transposed = data.T

# Dividir los datos en conjuntos de entrenamiento y prueba
X_train, X_test, y_train, y_test = train_test_split(data_transposed, labels, test_size=0.001, random_state=42)

# Crear y entrenar el modelo SVM
svm_model = SVC(kernel='linear', random_state=42)
svm_model.fit(X_train, y_train)

# Evaluar el modelo
y_pred = svm_model.predict(X_test)
report = classification_report(y_test, y_pred)
print("Evaluación del Modelo:")
print(report)

# Asegurarse de que el directorio para guardar el modelo existe
os.makedirs('model', exist_ok=True)

# Guardar el modelo en la carpeta del modelo
joblib.dump(svm_model, model_path)
print(f"Modelo guardado en {model_path}")