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
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
225
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
