Aplicar el modelo al flujo de datos

Ahora vamos a aplicar tu Pipeline de Machine Learning entrenado a datos en streaming y a categorizar los valores al instante.

Después, usarás predict() sobre los mensajes entrantes para determinar la categoría. Según el resultado de la predicción, tomarás una acción: cerrar las ventanas de tu casa (o no).

Recuerda que la categoría 1 indica buen tiempo, mientras que la categoría 0 significa mal tiempo, frío.

Además, el pipeline devuelve un array de predicciones. Como solo has pasado un elemento, necesitas acceder al primero usando category[0].

La función close_window() se encargará de esto por ti y, además, registrará el registro para estudiarlo más adelante.

pandas como pd y json ya se han precargado en la sesión para ti, y el modelo está disponible como pl.

Este ejercicio forma parte del curso

Análisis de datos de IoT en Python

Ver curso

Instrucciones del ejercicio

Analiza el diccionario en un DataFrame de pandas con DataFrame.from_records() usando "timestamp" como índice y cols como columnas.
Determina la categoría de este registro usando predict() del objeto pipeline y asigna el resultado a category.
Llama a close_window() con el DataFrame df como primer argumento y category como segundo argumento.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

def model_subscribe(client, userdata, message):
    data = json.loads(message.payload)
    # Parse to DataFrame
    df = pd.____.____([data], index=____, columns=____)
    # Predict result
    category = ____
    if category[0] < 1:
        # Call business logic
        ____
    else:
        print("Nice Weather, nothing to do.")  

# Subscribe model_subscribe to MQTT Topic
subscribe.callback(model_subscribe, topic, hostname=MQTT_HOST)

Editar y ejecutar código