在本教程中&＃xff0c;我们将看到如何使用FLASK制作第一个用于机器学习模型的REST API。 我们将从创建机器学习模型开始。 然后&＃xff0c;我们将看到使用Flask创建API并使用Postman对其进行测试的分步过程。
第1部分&＃xff1a;创建机器学习模型
我们需要做的第一件事是导入必要的库。 导入必要的库后&＃xff0c;我们将需要导入数据。 在这个项目中&＃xff0c;我们将使用Boston Housing数据集&＃xff0c;可以从sklearn.datasets下载。
# importing necessary libraries
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn import metrics# importing dataset from sklearn
from sklearn.datasets import load_boston
boston_data &＃61; load_boston()# initializing dataset
data_ &＃61; pd.DataFrame(boston_data.data)### Top five rows of dataset
data_.head()
当前&＃xff0c;我们的数据集没有任何功能名称。 因此&＃xff0c;我们将需要为数据集导入特征名称。
# Adding features names to the dataframe
data_.columns &＃61; boston_data.feature_names
data_.head()
预处理数据
我们要预测的变量是价格。 因此&＃xff0c;我们现在将为我们的机器学习模型创建目标变量。
# Target feature of Boston Housing data
data_[ &＃39;PRICE&＃39; ] &＃61; boston_data.target
现在&＃xff0c;我们将检查我们的任何功能是否为null和分类。 这是因为空值会导致偏差估计&＃xff0c;机器学习模型需要数值而不是分类数值。
# checking null values
data_.isnull().sum()
未找到空值&＃xff0c;因此按原样保留要素。 现在&＃xff0c;让我们检查是否存在任何分类值。
# checking if values are categorical or not
data_.info()
我们可以看到所有特征都是数字。 因此&＃xff0c;现在我们将创建模型。
建立模型
首先&＃xff0c;我们需要将特征和目标变量分开。 然后将数据集分为训练和测试集。 最后创建一个模型。
# creating feature and target variable
X &＃61; data_.drop([ &＃39;PRICE&＃39; ], axis&＃61; 1 )
y &＃61; data_[ &＃39;PRICE&＃39; ]# splitting into training and testing set
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test &＃61; train_test_split(X,y,test_size&＃61; 0.2 , random_state&＃61; 1 )
print( "X training shape : " , X_train.shape )
print( "X test shape : " , X_test.shape )
print( "y training shape :“ , y_train.shape )
print(" y test shape :”, y_test.shape )# creating model
from sklearn.ensemble import RandomForestRegressor
classifier &＃61; RandomForestRegressor()
classifier.fit(X_train, y_train)
现在&＃xff0c;让我们评估用于训练和测试集的模型的性能。
# Model evaluation for training data
prediction &＃61; classifier.predict(X_train)
print( "r^2 : " , metrics.r2_score(y_train, prediction))
print( "Mean Absolute Error: " , metrics.mean_absolute_error(y_train, prediction))
print( "Mean Squared Error: " , metrics.mean_squared_error(y_train, prediction))
print( "Root Mean Squared Error : " , np.sqrt(metrics.mean_squared_error(y_train, prediction)))# Model evaluation for testing data
prediction_test &＃61; classifier.predict(X_test)
print( "r^2 : " , metrics.r2_score(y_test, prediction_test))
print( "Mean Absolute Error : " , metrics.mean_absolute_error(y_test, prediction_test))
print( "Mean Squared Error : " , metrics.mean_squared_error(y_test, prediction_test))
print( "Root Mean Absolute Error : " , np.sqrt(metrics.mean_squared_error(y_test, prediction_test)))
第2部分&＃xff1a;保存和使用机器学习模型
我们将使用pickle保存模型。 序列化和反序列化机制有助于将机器学习对象模型保存到字节流中&＃xff0c;反之亦然。 模型将保存在model文件夹下。 该项目的工作结构在第3部分中显示。
# saving the model
import pickle
with open( &＃39;model/model.pkl&＃39; , &＃39;wb&＃39; ) as file:pickle.dump(classifier, file)# saving the columns
model_columns &＃61; list(X.columns)
with open( &＃39;model/model_columns.pkl&＃39; , &＃39;wb&＃39; ) as file:pickle.dump(model_columns, file)
第3部分&＃xff1a;使用Flask创建用于机器学习的API
成功创建机器学习模型之后。 我们将需要在Flask中创建一个网络服务器。 Flask是轻量级的Web应用程序&＃xff0c;易于使用并可以扩展到复杂的应用程序。 本教程介绍Flask应用程序的基本实现&＃xff0c;即制作Web服务器和简单的REST API。
这是整个项目的组织方式&＃xff1a;
要使用Flask&＃xff0c;请先创建一个文件夹名称webapp&＃xff0c;然后在终端中使用以下命令在其内部安装flask。 确保烧瓶位于webapp文件夹中。
使用Flask可以生成最少的Web应用程序。 以下代码将创建一个简单的Web应用程序&＃xff0c;该应用程序将重定向到指定的URL以产生给定的结果。
from flask import Flaskapp &＃61; Flask(__name__)&＃64;app.route(&＃39;/&＃39;, methods&＃61;[&＃39;GET&＃39;, &＃39;POST&＃39;])
def main () :return "Boston House Price Prediction”if __name__ &＃61;&＃61; " __main__ ":app.run()
运行应用
要在本地计算机上启动Flask服务器&＃xff0c;请导航至webapp文件夹并在终端中运行命令。
>> export FLASK_APP&＃61;app.py
>> export FLASK_ENV&＃61;development
>> flask run
这将执行应用程序。 现在导航到Web浏览器&＃xff08; localhost&＃xff1a;5000 &＃xff09;以查看结果。 最终结果如下所示&＃xff1a;
让我们将所有代码放在一起&＃xff0c;以检查是否错过了任何内容。 所有文件都分为.py文件。 因此&＃xff0c;完整的app.py文件应如下所示&＃xff1a;
from flask import render_template, request, jsonify
import flask
import numpy as np
import traceback
import pickle
import pandas as pd# App definition
app &＃61; Flask(__name__,template_folder&＃61; &＃39;templates&＃39; )# importing models
with open( &＃39;webapp/model/model.pkl&＃39; , &＃39;rb&＃39; ) as f:classifier &＃61; pickle.load (f)with open( &＃39;webapp/model/model_columns.pkl&＃39; , &＃39;rb&＃39; ) as f:model_columns &＃61; pickle.load (f)&＃64;app.route(&＃39;/&＃39;)
def welcome () :return "Boston Housing Price Prediction"&＃64;app.route(&＃39;/predict&＃39;, methods&＃61;[&＃39;POST&＃39;,&＃39;GET&＃39;])
def predict () :if flask.request.method &＃61;&＃61; &＃39;GET&＃39; :return "Prediction page"if flask.request.method &＃61;&＃61; &＃39;POST&＃39; :try :json_ &＃61; request.jsonprint(json_)query_ &＃61; pd.get_dummies(pd.DataFrame(json_))query &＃61; query_.reindex(columns &＃61; model_columns, fill_value&＃61; 0 )prediction &＃61; list(classifier.predict(query))return jsonify({"prediction" :str(prediction)})except :return jsonify({"trace" : traceback.format_exc()})if __name__ &＃61;&＃61; "__main__" :app.run()
第4部分&＃xff1a;在Postman中测试API
为了测试我们的API&＃xff0c;我们将需要API客户端&＃xff0c;并且我们将使用Postman。 下载Postman后&＃xff0c;它应如下所示。
现在&＃xff0c;我们将键入URL&＃xff08; localhost&＃xff1a;5000 / predict &＃xff09;并在中键入模型所需的功能。 体内的json格式。 并将请求类型更改为POST。 我们的最终结果应如下所示。
摘要
至此&＃xff0c;您已经开发了机器学习并使用Flask创建了API&＃xff0c;该API可用于预测波士顿的房屋价格。
扩展这项工作
本文重点介绍为机器学习模型创建REST API和在Postman上进行测试。 此外&＃xff0c;它可以扩展为制作Web应用程序并在Heroku云平台中进行部署。
From: https://hackernoon.com/machine-learning-w22g322x
京公网安备 11010802041100号