API de predicción con Pyhton y Flask.py

# Importamos lo 3 métodos que utilizaremos
from flask import Flask, request, jsonify

# Importamos joblib para leer el modelo
from sklearn.externals import joblib

# Creamos la instancia de Flask
app = Flask(__name__)

# Load the model
# Abrimos el archivo que contienen el modelo
MODEL = joblib.load('iris-svc-model.pkl')

# Las etiquetas con las cuales se clasificaran nuevos datos
# Sabemos que son los nombres de los 3 tipos de iris
MODEL_LABELS = ['setosa', 'versicolor', 'virginica']

"""
El método predict sera el encargado de clasificar y dar una respuesta
a cualquier IP que le envie una petición.
"""

@app.route('/predict')
def predict():
    """
    Declaramos cuales seran los parametros que recibe la petición
    En este caso son las medidas de la flor a clasificar.
    Longitud y tamaño del petalo y del sepalo.
    """
    sepal_length = request.args.get('sepal_length')
    sepal_width = request.args.get('sepal_width')
    petal_length = request.args.get('petal_length')
    petal_width = request.args.get('petal_width')

    # La lista de caracteristicas que se utilizaran
    # para la predicción
    features = [[sepal_length, sepal_width, petal_length, petal_width]]
    
    # Utilizamos el modelo para la predicción de los datos
    label_index = MODEL.predict(features)
    
    """
    La variable label contendra el resultado de la clasificación.
    """
    label = MODEL_LABELS[label_index[0]]
    
    # Creamos y enviamos la respuesta al cliente
    return jsonify(status='clasificado completado', clasificacion=label)

if __name__ == '__main__':
    # Iniciamos el servidor
    app.run(debug=True)