fix

app.py

@@ -30,7 +30,7 @@ st.sidebar.header("Ingrese los valores del préstamo")
 
 # Nuevas variables de entrada con descripciones
 annual_inc = st.sidebar.number_input(
-    "Ingreso Anual (USD)", min_value=0.0, value=36000.0,
+    "Ingreso Anual (USD)", min_value=6000, value=75000,
     help="(float) Ingreso anual en dólares antes de impuestos."
 )
 emp_length = st.sidebar.selectbox(
@@ -46,7 +46,7 @@ purpose = st.sidebar.selectbox(
     help="(categoría) Razón principal del préstamo."
 )
 zip_code = st.sidebar.number_input(
-    "Código Postal", min_value=10000, max_value=99999, step=1, value=90210,
+    "Código Postal", min_value=0, max_value=1000, step=1, value=0,
     help="(int) Código postal de residencia del solicitante."
 )
 open_acc = st.sidebar.number_input(
@@ -54,7 +54,7 @@ open_acc = st.sidebar.number_input(
     help="(int) Número total de cuentas de crédito abiertas."
 )
 total_monthly_debt = st.sidebar.number_input(
-    "Pagos Mensuales de Deuda (USD)", min_value=0.0, value=600.0,
+    "Pagos Mensuales de Deuda (USD)", min_value=0, value=600,
     help="(float) Total de pagos mensuales de deuda (préstamos, tarjetas, hipotecas)."
 )
 
@@ -77,10 +77,12 @@ if st.sidebar.button("Predecir"):
 
     # Preprocesar y predecir
     data_processed = preprocessor.transform(df)
-    predictions = model.predict(data_processed).ravel()
+    predictions= model.predict(data_processed)
+    print(f"Predicción: {predictions}")
     y_scores = joblib.load(os.path.join('data', 'output', 'loan_scores.pkl'))
     credit_score = probability_to_score_v3(predictions[0])
-
+    print(f"Puntaje de Crédito: {credit_score}")
+    
     # Mostrar resultado
     color = credit_score_range_classification(credit_score)
     st.markdown(

utils/calculate_probability_prediction.py

@@ -1,8 +1,7 @@
 import numpy as np
 
-
 def probability_to_score_v3(prob, base_score=300, max_score=850, threshold=0.326,
-                                   expansion_factor_low=3, expansion_factor_high=0.7):
+                                expansion_factor_low=3, expansion_factor_high=0.7):
     """
     Convierte probabilidades en puntajes de crédito con expansión no lineal
     para distribuir mejor en los extremos.
@@ -45,4 +44,4 @@ def probability_to_score_v3(prob, base_score=300, max_score=850, threshold=0.326
     # Asegurar que el score esté dentro del rango permitido
     score = np.clip(score, base_score, max_score)
 
-    return score
+    return float(score)