网站首页 > 技术文章 正文
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。
模型的建立
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")
Flask框架
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
Streamlit框架
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
- 上一篇: 裂变增长实战经验
- 下一篇: 新技术来了,你没必要继续折腾WebGL了
猜你喜欢
- 2025-01-04 新技术来了,你没必要继续折腾WebGL了
- 2025-01-04 裂变增长实战经验
- 2025-01-04 我独自研发产品「1」——工具选择
- 2025-01-04 Spring Boot项目接收前端参数的11种方式
- 2025-01-04 什么才是一个好的交互之我见
- 2025-01-04 交互设计应注意的细节
- 2025-01-04 浅谈前后端交互的基本原理
- 2025-01-04 产品经理做的原型和交互设计师做的原型有什么区别
- 2025-01-04 SpringCloud各个微服务之间为什么要用http交互,难道不慢吗?
- 2025-01-04 如何从交互角度读懂产品需求文档
你 发表评论:
欢迎- 582℃几个Oracle空值处理函数 oracle处理null值的函数
- 576℃Oracle分析函数之Lag和Lead()使用
- 561℃0497-如何将Kerberos的CDH6.1从Oracle JDK 1.8迁移至OpenJDK 1.8
- 561℃Oracle数据库的单、多行函数 oracle执行多个sql语句
- 556℃Oracle 12c PDB迁移(一) oracle迁移到oceanbase
- 546℃【数据统计分析】详解Oracle分组函数之CUBE
- 535℃最佳实践 | 提效 47 倍,制造业生产 Oracle 迁移替换
- 530℃Oracle有哪些常见的函数? oracle中常用的函数
- 最近发表
- 标签列表
-
- 前端设计模式 (75)
- 前端性能优化 (51)
- 前端模板 (66)
- 前端跨域 (52)
- 前端缓存 (63)
- 前端react (48)
- 前端aes加密 (58)
- 前端脚手架 (56)
- 前端md5加密 (54)
- 前端路由 (61)
- 前端数组 (73)
- 前端js面试题 (50)
- 前端定时器 (59)
- 前端懒加载 (49)
- Oracle RAC (73)
- oracle恢复 (76)
- oracle 删除表 (48)
- oracle 用户名 (74)
- oracle 工具 (55)
- oracle 内存 (50)
- oracle 导出表 (57)
- oracle 中文 (51)
- oracle的函数 (57)
- 前端调试 (52)
- 前端登录页面 (48)
本文暂时没有评论,来添加一个吧(●'◡'●)