🛠️Clase 5: Endpoints - Modelo de Regresión Multiple

🛠️Clase 5: Endpoints - Modelo de Regresión Multiple#

En la sesión de hoy, aprovecharemos que ya contamos con un template base de FastAPI para centrarnos en la construcción e integración de nuestro modelo. El flujo de la clase se divide en dos etapas principales: primero, la construcción del modelo, y segundo, la implementación del servicio con sus endpoints correspondientes.

Objetivos de la Sesión#

1. Construcción del Modelo#

Vamos a construir un modelo de regresión lineal múltiple utilizando sklearn, donde el énfasis no recae en la complejidad del algoritmo, sino en comprender cómo integrar un modelo analítico en un servicio completo.

  1. Introducción a GeoPandas:
    Se explicará el uso de la librería GeoPandas para la manipulación de información geográfica. Esta herramienta puede enriquecer el análisis de datos al permitir trabajar con datos espaciales, facilitando operaciones básicas como la carga y transformación de archivos geográficos.

  2. Entrenamiento del Modelo con sklearn:
    Se utilizará la libreria sklearn para entrenar un modelo de regresión lineal múltiple. Durante este proceso se hará énfasis en la selección de variables predictoras y en el entrenamiento básico, manteniendo el foco en la integración más que en la optimización del algoritmo.

  3. Exportación del Modelo:
    Una vez entrenado, el modelo se exportará a un archivo con formato .pkl. Esta exportación es clave para facilitar el despliegue del modelo en otros entornos o servicios, permitiendo su reutilización sin necesidad de reentrenarlo.

2. Implementación del Servicio con FastAPI#

Integraremos el modelo exportado en el servicio utilizando el template de FastAPI, definiendo los endpoints que permitirán la interacción con el modelo y el manejo de la información geográfica.

  1. Integración del Modelo en FastAPI:
    Se cargará el modelo previamente exportado en el template existente, asegurando que esté listo para responder a las peticiones de predicción.

  2. Desarrollo de Endpoints de Predicción:

Permite enviar datos y obtener la predicción generada por el modelo.

Reflexión Final#

El enfoque de la clase está en entender que, aunque el modelo de regresión lineal múltiple es una parte central del análisis, el verdadero valor de esta sesion reside en la construcción de un servicio completo que integra:

  1. Construcción del Modelo:

    • Entrenamiento básico del modelo con sklearn.

    • Exportación del modelo a formato .pkl.

  2. Implementación del Servicio:

    • Integración del modelo en el template de FastAPI.

    • Creación de endpoints funcionales para interactuar con el modelo.

Este flujo permite comprender la importancia de una arquitectura de servicio sólida y escalable, donde la integración de componentes diversos (modelo analítico, y servicios web) es lo que se busca resaltar del sistema completo.

Recursos y referencias#

Contents