建一个网站，用机器学习挑西瓜
Posted 机器学习算法与Python实战
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了建一个网站，用机器学习挑西瓜相关的知识，希望对你有一定的参考价值。
在机器学习领域，有一个很有名气的西瓜--周志华老师的《机器学习》，很多同学选择这本书入门，都曾有被西瓜支配的恐惧。我写文章的时候也特别喜欢用西瓜数据集，以它为例手算+可视化讲解过XGBoost，自认非常通俗易懂。
最近我介绍了决策树的可视化，还有可以快速实现机器学习web应用的神器——streamlit 今天我们就把它们结合起来，用机器学习帮华强挑西瓜！仅供娱乐，希望大家可以学到一些新姿势。
项目已发布，欢迎大家试玩
https://share.streamlit.io/tjxj/watermelon-prediction/main/app.py
老规矩，先看效果图（GIF刷新有点慢，请耐心等待）
使用方法
第一步，左侧先选择西瓜外观
第二步，选择决策树的模型参数
第三步，看结果
实现方式
注：篇幅原因，仅贴出核心代码
data.py
主要是原始数据的处理，inputData方法实现输入外观变量值的标签编码。
def inputData():
st.sidebar.subheader("请选择西瓜外观:sunglasses:")
color = st.sidebar.selectbox("色泽", ("青绿", "乌黑", "浅白"))
root = st.sidebar.selectbox("根蒂", ("蜷缩", "稍蜷", "硬挺"))
knocks = st.sidebar.selectbox("敲击", ("浊响", "沉闷", "清脆"))
texture = st.sidebar.selectbox("纹理", ("清晰", "稍糊", "模糊"))
navel = st.sidebar.selectbox("脐部", ("凹陷", "稍凹", "平坦"))
touch = st.sidebar.selectbox("触感", ("硬滑", "软粘"))
input = [[color, root, knocks, texture, navel, touch]]
features = ["color", "root", "knocks", "texture", "navel", "touch"]
np.array(input).reshape(1, 6)
df_input = pd.DataFrame(input, columns=features, index=None)
for feature in features[0:6]:
le = joblib.load("./models/" + feature + "_LabelEncoder.model")
df_input[feature] = le.transform(df_input[feature])
return df_input
训练模型及预测
这一块很简单，就不多解释了。注：数据量太小就不整交叉验证了
def dt_param_selector():
st.sidebar.subheader("请选择模型参数:sunglasses:")
criterion = st.sidebar.selectbox("criterion", ["gini", "entropy"])
max_depth = st.sidebar.number_input("max_depth", 1, 50, 5, 1)
min_samples_split = st.sidebar.number_input(
"min_samples_split", 1, 20, 2, 1)
max_features = st.sidebar.selectbox(
"max_features", [None, "auto", "sqrt", "log2"])
params =
"criterion": criterion,
"max_depth": max_depth,
"min_samples_split": min_samples_split,
"max_features": max_features,
model = DecisionTreeClassifier(**params)
df = dataPreprocessing()
X, y = df[df.columns[:-1]], df["label"]
model.fit(X, y)
return model
def predictor():
df_input = inputData()
model = dt_param_selector()
y_pred = model.predict(df_input)
if y_pred == 1:
goodwatermelon = Image.open("./pics/good.png")
st.image(goodwatermelon,width=705,use_column_width= True)
st.markdown("<center>以上是关于建一个网站，用机器学习挑西瓜的主要内容，如果未能解决你的问题，请参考以下文章