作者: 俊欣
来源:关于数据分析与可视化
对于机器学习爱好者而言,很多时候我们需要将建好的模型部署在线上,实现前后端的交互,今天小编就通过Flask以及Streamlit这两个框架实现机器学习模型的前后端交互。
首先是模型的建立,小编这回为了省事儿建立一个非常简单的二分法模型,所引用的数据集如下所示
import pandas as pd
df = pd.read_csv("data.csv")
df.head()
output
Height Weight Species 0 88.9 48.3 Dog 1 90.2 47.4 Dog 2 82.7 44.8 Dog 3 81.4 48.2 Dog 4 83.5 39.9 Dog
所涉及到的特征也就两列分别是“Hight”以及“Weight”也就是身高和体重,我们需要通过这两个特征来预测它到底是“猫”还是“狗”,代码如下
X = df[["Height", "Weight"]] y = df["Species"]
clf = GaussianNB()
clf.fit(X, y)
当然小编为了省事儿这里并没有进行训练集和测试集的区分,也没有进行任何的调参以及模型的优化,只是简单的建立了一个朴素贝叶斯的二分类模型。接下来我们将建立好的模型保存下来
import joblib
joblib.dump(clf, "clf.pkl")
前端页面主要是由一系列的HTML代码写成的,代码如下
<!DOCTYPE html> <html> <head> <title>Your Machine Learning App</title> </head> <body> <form name="form", method="POST", style="text-align: center;"> <br> Height: <input type="number" name="height", placeholder="Enter height in cm" required/> <br><br> Weight: <input type="number" name="weight", placeholder="Enter weight in kg" required/> <br><br> <button value="Submit">Run</button> </form> <p style="text-align: center;">{{ output }}</p> </body> </html>
输出结果如下:
我们可以看到有两个输入框分别代表的是身高与体重,以及运行的按钮键。接下来我们来写后端的逻辑代码,当前端传过来数据的时候,也就是身高与体重的数据的时候,后端的代码来调用已经训练好的模型并且做出预测,然后显示在前端的页面上。在Flask框架中后端的业务代码大致如下
from flask import Flask, request, render_template import pandas as pd import joblib # 声明是一个Flask应用 app = Flask(__name__) # 主要业务逻辑 # ------------------ # 运行整体的应用 if __name__ == '__main__':
app.run(debug = True)
那么在本篇文章的项目背景下,代码如下
@app.route('/', methods=['GET', 'POST']) def main(): # 表单数据提交,POST请求 if request.method == "POST": # 调用已经训练好的模型 clf = joblib.load("clf.pkl") # 从输入框中获取身高与体重数据 height = request.form.get("height")
weight = request.form.get("weight") # 转变成DataFrame格式 X = pd.DataFrame([[height, weight]], columns = ["Height", "Weight"]) # 获取预测值 prediction = clf.predict(X)[0] else: prediction = "" return render_template("website.html", output = prediction)
然后我们运行整个脚本,效果如下
我们试着输入一些身高与体重的值,看一下返回的结果,效果如下
下面我们来看一下将模型部署在Streamlit框架下该如何来操作。在Streamlit框架中没有特别明显的前后端代码的分离,代码如下
import streamlit as st import pandas as pd import joblib # 标题 st.header("Streamlit Machine Learning App") # 输入框 height = st.number_input("Enter Height")
weight = st.number_input("Enter Weight") # 点击提交按钮 if st.button("Submit"): # 引入训练好的模型 clf = joblib.load("clf.pkl") # 转换成DataFrame格式的数据 X = pd.DataFrame([[height, weight]],
columns=["Height", "Weight"]) # 获取预测出来的值 prediction = clf.predict(X)[0] # 返回预测的值 st.text(f"This instance is a {prediction}")
最后生成的页面如下
我们在终端中运行以下命令
streamlit run streamlit_model.py
最后我尝试在输入框中填入一些虚构的数字,看一下出来的结果是什么样的,如下
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14