Implementación AnomalIA - Fix de dropdowns y permisos.

ProyectoIA_Gestion/train_sistema.py

@@ -0,0 +1,71 @@
+import pandas as pd
+from sklearn.ensemble import IsolationForest
+import joblib
+import os
+import pyodbc
+from datetime import datetime
+
+print("--- INICIANDO SCRIPT DE ENTRENAMIENTO DE SISTEMA ---")
+
+# --- 1. Configuración ---
+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_sistema_anomalias.joblib'
+CONTAMINATION_RATE = 0.02 # Tasa de contaminación del 0.2% (ajustable según tus necesidades)
+
+# --- 2. Carga y Agregación de Datos desde SQL Server ---
+try:
+    print("Conectando a la base de datos...")
+    cnxn = pyodbc.connect(CONNECTION_STRING)
+    
+    # Consulta para agregar los datos por día
+    query = """
+        SELECT 
+            CAST(Fecha AS DATE) AS fecha_dia,
+            DATEPART(weekday, Fecha) as dia_semana, -- 1=Domingo, 2=Lunes...
+            COUNT(DISTINCT Id_Canilla) as total_canillitas_activos,
+            SUM(CantSalida) as total_salidas,
+            SUM(CantEntrada) as total_devoluciones
+        FROM 
+            dist_EntradasSalidasCanillas
+        WHERE CantSalida > 0 -- Solo considerar días con actividad de salida
+        GROUP BY 
+            CAST(Fecha AS DATE), DATEPART(weekday, Fecha)
+    """
+    print("Ejecutando consulta de agregación de datos históricos...")
+    df = pd.read_sql(query, cnxn)
+    cnxn.close()
+
+except Exception as e:
+    print(f"Error al conectar o consultar la base de datos: {e}")
+    exit()
+
+if df.empty:
+    print("No se encontraron datos históricos para entrenar el modelo de sistema. Saliendo.")
+    exit()
+
+# --- 3. Feature Engineering para el modelo de sistema ---
+print(f"Preparando {len(df)} registros agregados para el entrenamiento...")
+# El ratio de devolución es una característica muy potente
+df['ratio_devolucion'] = (df['total_devoluciones'] / df['total_salidas']).fillna(0)
+# Ratio de salidas por canillita activo
+df['salidas_por_canillita'] = (df['total_salidas'] / df['total_canillitas_activos']).fillna(0)
+
+# Seleccionamos las características que el modelo usará
+features = ['dia_semana', 'total_salidas', 'ratio_devolucion', 'salidas_por_canillita']
+X = df[features]
+
+# --- 4. Entrenamiento del Modelo ---
+print(f"Entrenando el modelo IsolationForest de sistema con tasa de contaminación de {CONTAMINATION_RATE}...")
+model = IsolationForest(
+    n_estimators=100, 
+    contamination=CONTAMINATION_RATE,
+    random_state=42
+)
+model.fit(X)
+
+# --- 5. Guardado del Modelo ---
+joblib.dump(model, MODEL_FILE)
+print("--- ENTRENAMIENTO DE SISTEMA COMPLETADO ---")
+print(f"Modelo de sistema guardado exitosamente como '{MODEL_FILE}'")