Python 实现机器学习前后端页面的交互

Posted 2022-04-04 AI科技大本营

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Python 实现机器学习前后端页面的交互相关的知识，希望对你有一定的参考价值。

作者 | 俊欣

来源丨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