使用FLASK REST API的机器学习模型

在本教程中，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，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：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，我们将需要导入数据。 在这个项目中，我们将使用Boston Housing数据集，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 = load_boston()

# initializing dataset
data_ = pd.DataFrame(boston_data.data)

### Top five rows of dataset
data_.head()

当前，我们的数据集没有任何功能名称。 因此，我们将需要为数据集导入特征名称。

# Adding features names to the dataframe
data_.columns = boston_data.feature_names
data_.head()

预处理数据

我们要预测的变量是价格。 因此，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_[ 'PRICE' ] = boston_data.target

现在，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，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，因此按原样保留要素。 现在，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，现在我们将创建模型。

建立模型

首先，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 = data_.drop([ 'PRICE' ], axis= 1 )
y = data_[ 'PRICE' ]
 
# splitting into training and testing set
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X,y,test_size= 0.2 , random_state= 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 = RandomForestRegressor()
classifier.fit(X_train, y_train)

现在，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 = 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 = 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：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，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( 'model/model.pkl' , 'wb' ) as file:
    pickle.dump(classifier, file)



# saving the columns
model_columns = list(X.columns)
with open( 'model/model_columns.pkl' , 'wb' ) as file:
    pickle.dump(model_columns, file)

第3部分：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，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，即制作Web服务器和简单的REST API。

这是整个项目的组织方式：

要使用Flask，请先创建一个文件夹名称webapp，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。

>> pip install Flask

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，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 Flask
 
app = Flask(__name__)
 
@app.route('/', methods=['GET', 'POST'])
def main () :
    return "Boston House Price Prediction”
 
 
if __name__ == " __main__ ":
   app.run()

运行应用

要在本地计算机上启动Flask服务器，请导航至webapp文件夹并在终端中运行命令。

>> export FLASK_APP=app.py
>> export FLASK_ENV=development
>> flask run

这将执行应用程序。 现在导航到Web浏览器（ localhost：5000 ）以查看结果。 最终结果如下所示：

让我们将所有代码放在一起，以检查是否错过了任何内容。 所有文件都分为.py文件。 因此，完整的app.py文件应如下所示：

from flask import render_template, request, jsonify
import flask
import numpy as np
import traceback
import pickle
import pandas as pd
 
 
# App definition
app = Flask(__name__,template_folder= 'templates' )
 
# importing models
with open( 'webapp/model/model.pkl' , 'rb' ) as f:
   classifier = pickle.load (f)
 
with open( 'webapp/model/model_columns.pkl' , 'rb' ) as f:
   model_columns = pickle.load (f)
 
 
@app.route('/')
def welcome () :
   return "Boston Housing Price Prediction"
 
@app.route('/predict', methods=['POST','GET'])
def predict () :
  
   if flask.request.method == 'GET' :
       return "Prediction page"
 
   if flask.request.method == 'POST' :
       try :
           json_ = request.json
           print(json_)
           query_ = pd.get_dummies(pd.DataFrame(json_))
           query = query_.reindex(columns = model_columns, fill_value= 0 )
           prediction = list(classifier.predict(query))
 
           return jsonify({
               "prediction" :str(prediction)
           })
 
       except :
           return jsonify({
               "trace" : traceback.format_exc()
               })
      
 
if __name__ == "__main__" :
   app.run()

第4部分：在Postman中测试API

为了测试我们的API，我们将需要API客户端，并且我们将使用Postman。 下载Postman后，它应如下所示。

现在，我们将键入URL（ localhost：5000 / predict ）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，您已经开发了机器学习并使用Flask创建了API，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，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