API REST construida con FastAPI que expone dos modelos de Machine Learning entrenados con datos de campañas de marketing bancario.

Este proyecto forma parte del curso "Intro a APIs con Python y ML". El objetivo es demostrar cómo:

1. Entrenar modelos de ML (clasificación y clustering)
2. Exportar los modelos entrenados (.pkl)
3. Construir una API que consuma esos modelos
4. Desplegar la API para que otros la consuman

Utilizamos el Bank Marketing Dataset de UCI, que contiene información de campañas de telemarketing de un banco portugués. El objetivo original era predecir si un cliente contrataría un depósito a plazo.

Variables del cliente:

Variables de la campaña:

Pregunta: ¿Este cliente contratará un depósito a plazo?

Entrenamiento: Ver 2_Training_clasificacion.ipynb

• Modelo: Random Forest Classifier
• Preprocesamiento: Label Encoding + MinMax Scaling
• Métricas: Accuracy ~90%, Recall ~85%

Flujo de predicción:

Input JSON → Label Encoding → Scaling → Random Forest → {contratará, probabilidad}

Ejemplo de respuesta:

{
  "contratara": true,
  "probabilidad": 0.7342,
  "etiqueta": "Sí contratará"
}

Nota: El campo probabilidad viene de predict_proba(), que retorna la probabilidad de que pertenezca a la clase positiva (sí contrata).

Pregunta: ¿A qué segmento de mercado pertenece este cliente?

Entrenamiento: Ver 3_Training_PCA.ipynb

• Modelo: K-Means (k=4) sobre componentes PCA
• Preprocesamiento: Label Encoding + StandardScaler + PCA (3 componentes)

Flujo de predicción:

Input JSON → Label Encoding → StandardScaler → PCA → K-Means → {cluster, segmento}

Segmentos identificados:

Ejemplo de respuesta:

{
  "cluster": 2,
  "segmento": "Jóvenes Profesionales",
  "descripcion": "Clientes jóvenes, probablemente iniciando su carrera profesional"
}

API_Prediction/
│
├── main.py                 # Configuración de FastAPI, CORS, routers
├── schemas.py              # Modelos Pydantic para validación de entrada/salida
├── utils.py                # Carga de modelos y funciones de preprocesamiento
│
├── routers/
│   ├── __init__.py
│   └── predictions.py      # Endpoints POST /predict/*
│
├── models/                 # Archivos .pkl exportados de los notebooks
│   ├── clasificacion_modelo_banco.pkl      # Random Forest entrenado
│   ├── clasificacion_scaler_banco.pkl      # MinMaxScaler
│   ├── clasificacion_encoders_banco.pkl    # LabelEncoders
│   ├── clasificacion_features_banco.pkl    # Lista de features
│   ├── cluster_kmeans_pca_banco.pkl        # K-Means entrenado
│   ├── cluster_pca_banco.pkl               # PCA entrenado
│   ├── cluster_scaler_segmentacion.pkl     # StandardScaler
│   ├── cluster_encoders_segmentacion.pkl   # LabelEncoders
│   ├── cluster_features_segmentacion.pkl   # Lista de features
│   └── cluster_names.pkl                   # Nombres de clusters
│
├── requirements.txt        # Dependencias
└── README.md               # Esta documentación

cd API_Prediction
pip install -r requirements.txt

python -m uvicorn main:app --reload

• Swagger UI: http://localhost:8000/docs
• ReDoc: http://localhost:8000/redoc

1. Crear nuevo Repl → Import from GitHub
2. Subir la carpeta API_Prediction completa
3. En el archivo .replit, configurar:

   run = "uvicorn main:app --host 0.0.0.0 --port 8000"
   

4. Click en Run

Clasificación:

curl -X POST "http://localhost:8000/predict/clasificacion" \
  -H "Content-Type: application/json" \
  -d '{
    "age": 35,
    "job": "management",
    "marital": "married",
    "education": "tertiary",
    "default": "no",
    "balance": 1500,
    "housing": "yes",
    "loan": "no",
    "day": 15,
    "month": "may",
    "duration": 300,
    "campaign": 2,
    "pdays": -1,
    "previous": 0
  }'

Segmentación:

curl -X POST "http://localhost:8000/predict/segmento" \
  -H "Content-Type: application/json" \
  -d '{
    "age": 35,
    "job": "management",
    "marital": "married",
    "education": "tertiary",
    "default": "no",
    "balance": 2000,
    "housing": "yes",
    "loan": "no",
    "duration": 250,
    "campaign": 2,
    "pdays": -1,
    "previous": 0
  }'

import requests

# Clasificación
response = requests.post(
    "http://localhost:8000/predict/clasificacion",
    json={
        "age": 35,
        "job": "management",
        "marital": "married",
        "education": "tertiary",
        "default": "no",
        "balance": 1500,
        "housing": "yes",
        "loan": "no",
        "day": 15,
        "month": "may",
        "duration": 300,
        "campaign": 2,
        "pdays": -1,
        "previous": 0
    }
)
print(response.json())
# {'contratara': True, 'probabilidad': 0.73, 'etiqueta': 'Sí contratará'}

• FastAPI - Framework web moderno para APIs
• Pydantic - Validación de datos
• scikit-learn - Modelos de ML
• pandas - Manipulación de datos
• uvicorn - Servidor ASGI

Curso: Intro a APIs con Python y ML
Objetivo: Aprender a construir y consumir APIs con modelos de Machine Learning