Feat TestModels

ProyectoIA_Gestion/train_danadas.py

@@ -19,10 +19,7 @@ try:
     print(f"Conectando a la base de datos '{DB_DATABASE}' en '{DB_SERVER}'...")
     cnxn = pyodbc.connect(CONNECTION_STRING)
     
-    fecha_limite = datetime.now() - timedelta(days=365)
-    
-    # << CAMBIO IMPORTANTE: Nueva consulta para contar bobinas marcadas como "Dañada" por día y planta >>
-    # Asumimos que el estado "Dañada" tiene Id_EstadoBobina = 3 y el historial lo registra
+    fecha_limite = datetime.now() - timedelta(days=730)
     query = f"""
         SELECT 
             CAST(h.FechaMod AS DATE) as fecha,
@@ -32,8 +29,7 @@ try:
         FROM 
             bob_StockBobinas_H h
         WHERE
-            h.Id_EstadoBobina = 3 -- Asumiendo que 3 es el ID del estado 'Dañada'
-            AND h.TipoMod = 'Estado: Dañada' -- Filtra por el evento específico del cambio de estado
+            h.Id_EstadoBobina = 3 -- 3 es el ID del estado 'Dañada'
             AND h.FechaMod >= '{fecha_limite.strftime('%Y-%m-%d')}'
         GROUP BY
             CAST(h.FechaMod AS DATE),

ProyectoIA_Gestion/train_distribuidores.py

@@ -11,17 +11,16 @@ DB_SERVER = 'TECNICA3'
 DB_DATABASE = 'SistemaGestion'
 CONNECTION_STRING = f'DRIVER={{ODBC Driver 18 for SQL Server}};SERVER={DB_SERVER};DATABASE={DB_DATABASE};Trusted_Connection=yes;TrustServerCertificate=yes;'
 
-MODEL_FILE = 'modelo_anomalias_dist.joblib' # <-- Nuevo nombre de archivo para el modelo
-CONTAMINATION_RATE = 0.01 # Un 1% de contaminación es un buen punto de partida
+MODEL_FILE = 'modelo_anomalias_dist.joblib'
+CONTAMINATION_RATE = 0.01 # Un 1% de contaminación
 
 # --- 2. Carga de Datos desde SQL Server ---
 try:
     print(f"Conectando a la base de datos '{DB_DATABASE}' en '{DB_SERVER}'...")
     cnxn = pyodbc.connect(CONNECTION_STRING)
     
-    fecha_limite = datetime.now() - timedelta(days=365)
+    fecha_limite = datetime.now() - timedelta(days=730)
     
-    # << CAMBIO IMPORTANTE: Nueva consulta para agrupar Salidas y Entradas por distribuidor y día >>
     query = f"""
         SELECT 
             Id_Distribuidor AS id_distribuidor, 
@@ -57,7 +56,7 @@ df.fillna(0, inplace=True)
 df['porcentaje_devolucion'] = df['porcentaje_devolucion'].clip(0, 100)
 df['dia_semana'] = pd.to_datetime(df['fecha']).dt.dayofweek
 
-features = ['id_distribuidor', 'porcentaje_devolucion', 'dia_semana'] # <-- Característica clave: id_distribuidor
+features = ['id_distribuidor', 'porcentaje_devolucion', 'dia_semana']
 X = df[features]
 
 # --- 4. Entrenamiento y Guardado ---

ProyectoIA_Gestion/train_montos.py

@@ -12,7 +12,7 @@ DB_DATABASE = 'SistemaGestion'
 CONNECTION_STRING = f'DRIVER={{ODBC Driver 18 for SQL Server}};SERVER={DB_SERVER};DATABASE={DB_DATABASE};Trusted_Connection=yes;TrustServerCertificate=yes;'
 
 MODEL_FILE = 'modelo_montos.joblib'
-CONTAMINATION_RATE = 0.01 # Asumimos que el 1% de las transacciones podrían ser anómalas (ajustable)
+CONTAMINATION_RATE = 0.002
 
 # --- 2. Carga de Datos de Múltiples Tablas ---
 try: