havsalazar / rocketfy-back

Rocketfy Backend

run npm install

run npm start

servidor disponible en localhost:3040

Config file

Las variables de configuración del proyecto backend están en -> server/config.js

Modelo Machine learning

Modelo simple de machine learning basado en datos de temperatura y humedad, el modelo usa regresión lineal para las predicciones , la documentación que usé es la siguiente : https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py

Requisitos:

• sklearn
• numpy
• flask

Dado que tenía muy pocos datos para entrenar y el modelo alucinaba demasiado lo que hice fue generar un json llamado data.mc.json y contiene datos generados de forma aleatoria usando : https://json-generator.com/# y el template para generar el json aleatorio es

    [
      '{{repeat(100)}}',
      {
        humidity: '{{floating([55],[70],[1])}}', 
        temperature: '{{floating([55],[70],[1])}}',   
        timestamp: '{{date(new Date(2023, 0, 1), new Date(), "YYYY-MM-ddThh:mm:00")}}'     
      }
    ]

Ejecutar el modelo y API

El archivo python se encuentra en la raíz del proyecto de backend y se ejecuta mediante el código : python3 machineleraning-test.py

El único método disponible es : [GET] http://127.0.0.1:5000/predict
contiene los siguientes parámetros opcionales

• minutes
• hours
• days Ejemplos de como usar el api

http://127.0.0.1:5000/predict?minutes=50 http://127.0.0.1:5000/predict?hours=3 http://127.0.0.1:5000/predict?days=21

También se pueden mezclar los parámetros http://127.0.0.1:5000/predict?hours=3&days=15 http://127.0.0.1:5000/predict?days=21&minutes=30

La respuesta es un JSON con el formato

{
    "prediction": {
        "humidity": "{{float}}",
        "temperature": "{{float}}"
    }
}```