Prédiction de Matchs de Tennis avec FastAPI

Ce projet utilise FastAPI pour fournir des prédictions de matchs de tennis basées sur un modèle de machine learning pré-entraîné. L'API permet de faire des prédictions en lot ou pour un seul match, en utilisant diverses caractéristiques des joueurs et des matchs.

Prérequis

Assurez-vous d'avoir Docker installé sur votre machine.

Installation

1. Clonez ce dépôt sur votre machine locale :

   git clone https://gitea.mortreau.net/aslane/Tennis-AI.git
   cd Tennis-AI
   

2. Placez votre modèle pipeline_xgb.pkl dans le répertoire du projet.

3. Assurez-vous que votre fichier requirements.txt contient les dépendances nécessaires, y compris fastapi, uvicorn, gunicorn, numpy, pydantic, etc.

Construction et Exécution du Conteneur Docker

1. Construisez l'image Docker :

   docker build -t tennis-prediction-app .
   

2. Exécutez le conteneur :

   docker run -p 8000:8000 tennis-prediction-app
   

Utilisation de l'API

Endpoint de Prédiction en Lot

• URL : /predict_batch

• Méthode : POST

• Corps de la Requête :

  {
      "matches": [
          {
              "match_id": 1,
              "player_id1": 101,
              "player_id2": 102,
              "p1_niveau_rank": 5.0,
              "p1_niveau_win_total": 10.0,
              "p1_niveau_win_surface_total": 3.0,
              ...
              "idc_p2_historique_estimated": 0.5,
              "tournament_round": 2,
              "tournament_type": 1,
              "tournament_surface": 0
          },
          {
              "match_id": 2,
              "player_id1": 103,
              "player_id2": 104,
              ...
          }
      ]
  }
  

• Réponse :

  {
      "predictions": [
          {
              "match_id": 1,
              "win_probability_j1": 0.65,
              "win_probability_j2": 0.35
          },
          {
              "match_id": 2,
              ...
          }
      ]
  }
  

Endpoint de Prédiction pour un Seul Match

• URL : /predict

• Méthode : POST

• Corps de la Requête :

  {
      "match_id": 1,
      "player_id1": 101,
      "player_id2": 102,
      "p1_niveau_rank": 5.0,
      "p1_niveau_win_total": 10.0,
      "p1_niveau_win_surface_total": 3.0,
      ...
      "idc_p2_historique_estimated": 0.5,
      "tournament_round": 2,
      "tournament_type": 1,
      "tournament_surface": 0
  }
  

• Réponse :

  {
      "match_id": 1,
      "win_probability_j1": 0.65,
      "win_probability_j2": 0.35
  }
  

Structure du Projet

• main.py : Contient le code principal de l'application FastAPI.
• pipeline_xgb.pkl : Fichier du modèle pré-entraîné.
• requirements.txt : Liste des dépendances Python.
• Dockerfile : Fichier de configuration pour Docker.
• start.sh : Script pour démarrer l'application avec Gunicorn.