Update app.py

app.py

@@ -6,37 +6,30 @@ import numpy as np
 import os
 
 # 1. DEFINICIÓN DE RUTAS CLAVE
-# Usa la ruta relativa correcta para tu base de datos en Hugging Face Space
+# VERIFICAR: Asegúrate de que esta ruta a la base de datos sea correcta en tu Space.
 DATABASE_PATH = 'kaggle/password-datas/password_data.sqlite' 
-
-# Ruta donde debería estar tu modelo entrenado. ¡Asegúrate de que exista!
-MODELO_PATH = 'modelo_entrenado.pkl' # <-- REEMPLAZA CON LA RUTA REAL DE TU MODELO
+# VERIFICAR: Asegúrate de que 'modelo_entrenado.pkl' esté en la raíz de tu repositorio,
+# o usa la ruta relativa correcta (ej: 'models/modelo_entrenado.pkl')
+MODELO_PATH = 'modelo_entrenado.pkl' 
 
 # 2. CARGA DE RECURSOS (MODELO y DATOS)
-# Intenta cargar el modelo (si existe) o simula el proceso
+modelo = None
 try:
-    # 🚨🚨🚨 REEMPLAZA ESTO CON LA CARGA REAL DE TU MODELO 🚨🚨🚨
-    # Por ejemplo:
-    # with open(MODELO_PATH, 'rb') as f:
-    #     modelo = pickle.load(f)
-    print("Simulando carga de modelo exitosa.")
-    
-    # ⚠️ Si tienes un vectorizador (ej. TF-IDF) o un scaler (ej. StandardScaler),
-    # también debes cargarlo aquí:
-    # with open('vectorizador.pkl', 'rb') as f:
-    #    vectorizador = pickle.load(f)
-
+    # Intenta cargar el modelo real
+    with open(MODELO_PATH, 'rb') as f:
+         modelo = pickle.load(f)
+    print("Carga del modelo exitosa.")
 except FileNotFoundError:
-    print(f"ADVERTENCIA: Archivo de modelo no encontrado en {MODELO_PATH}. Usando lógica de prueba.")
-    modelo = None
+    print(f"ADVERTENCIA: Archivo de modelo NO encontrado en {MODELO_PATH}. Usando lógica de prueba.")
+    # Si el modelo no se encuentra, 'modelo' será None y la lógica de prueba se activará.
+
 
 # 3. FUNCIÓN DE INGENIERÍA DE CARACTERÍSTICAS (feature engineering)
-# Esta función debe replicar exactamente el preprocesamiento de tu entrenamiento
 def obtener_caracteristicas(password: str) -> np.ndarray:
     """Calcula las características de una contraseña (longitud, frecuencias, etc.)."""
     
     length = len(password)
-    if length == 0: return np.zeros(4) # Evita división por cero
+    if length == 0: return np.zeros(5)
 
     lowercase_freq = len([char for char in password if char.islower()]) / length
     uppercase_freq = len([char for char in password if char.isupper()]) / length
@@ -48,7 +41,7 @@ def obtener_caracteristicas(password: str) -> np.ndarray:
             special_chars += 1
     special_char_freq = special_chars / length
     
-    # Devuelve las características en el orden esperado por tu modelo
+    # Devuelve las características
     return np.array([length, lowercase_freq, uppercase_freq, digit_freq, special_char_freq]).reshape(1, -1)
 
 
@@ -58,38 +51,42 @@ def predecir_fortaleza(contrasena: str) -> str:
     
     if not contrasena:
         return "Introduce una contraseña válida."
-
-    # Verifica si el modelo se cargó
+    
+    # Verificación de carga del modelo y ejecución de predicción
     if modelo is not None:
-        # ⚠️ Aquí deberías preprocesar (vectorizar/escalar) las características
-        # X_features = vectorizador.transform(obtener_caracteristicas(contrasena)) 
+        try:
+            # 1. Obtener características
+            X_features = obtener_caracteristicas(contrasena)
+            
+            # 2. Preprocesamiento adicional si aplica (ej. escalado/normalización)
+            # Asegúrate de cargar y usar tu scaler/vectorizer aquí si fue necesario
+            
+            # 3. Predicción REAL
+            prediccion_clase = modelo.predict(X_features)[0] 
+
+            # Mapea la predicción al texto
+            if prediccion_clase == 0:
+                return "0 (Débil) - ¡Cámbiala!"
+            elif prediccion_clase == 1:
+                return "1 (Media) - Podría ser mejor."
+            else:
+                return "2 (Fuerte) - ¡Bien hecho!"
         
-        # Simulación de las características que irían al modelo
+        except Exception as e:
+            return f"Error en la predicción (ver logs): {e}"
+
+    else:
+        # LÓGICA DE PRUEBA (Fallback si el modelo no carga)
         X_features = obtener_caracteristicas(contrasena)
-        
-        # 🚨🚨🚨 REEMPLAZA LA LÍNEA INFERIOR CON TU CÓDIGO DE PREDICCIÓN REAL 🚨🚨🚨
-        # prediccion_clase = modelo.predict(X_features)[0]
-        
-        # Lógica de prueba para garantizar que el app.py se ejecuta
-        # Esto debe ser reemplazado por la predicción real de tu modelo (0, 1 o 2)
-        if X_features[0, 0] < 8:
-            prediccion_clase = 0
-        elif X_features[0, 0] < 12 and X_features[0, 3] > 0.1: # Longitud y dígitos
-            prediccion_clase = 1
-        else:
-            prediccion_clase = 2
+        length = X_features[0, 0]
+        digit_freq = X_features[0, 3]
 
-        # Mapea la predicción al texto
-        if prediccion_clase == 0:
-            return "0 (Débil) - ¡Cámbiala!"
-        elif prediccion_clase == 1:
-            return "1 (Media) - Podría ser mejor."
+        if length < 8:
+            return "0 (Débil) - ¡Modelo no cargado, usando lógica de prueba!"
+        elif length < 12 and digit_freq > 0.1:
+            return "1 (Media) - ¡Modelo no cargado, usando lógica de prueba!"
         else:
-            return "2 (Fuerte) - ¡Bien hecho!"
-            
-    else:
-        # Mensaje de fallback si el modelo no se pudo cargar
-        return f"Error: Modelo no cargado. Longitud de prueba: {len(contrasena)}."
+            return "2 (Fuerte) - ¡Modelo no cargado, usando lógica de prueba!"
 
 
 # 5. CONFIGURACIÓN E INICIO DE LA INTERFAZ DE GRADIO
@@ -101,14 +98,4 @@ iface = gr.Interface(
     description="Escribe una contraseña para obtener una predicción de su fortaleza (0: Débil, 1: Media, 2: Fuerte) basada en un modelo de clasificación."
 )
 
-iface.launch()
-
-# 6. VERIFICACIÓN DE ACCESO A DATOS (OPCIONAL)
-# Puedes usar esto para verificar que la ruta de la DB es correcta en los logs de la app.
-try:
-    con = sqlite3.connect(DATABASE_PATH)
-    data_check = pd.read_sql_query("SELECT COUNT(*) FROM Users", con)
-    print(f"Verificación de DB exitosa. Número de registros: {data_check.iloc[0, 0]}")
-    con.close()
-except Exception as e:
-    print(f"Error al verificar la conexión a la base de datos: {e}")
+iface.launch(server_name="0.0.0.0", server_port=7860) # Usar puertos estándar de HF