鸢尾花预测：如何创建机器学习Web应用程序？

全文共2485字，预计学习时长12分钟

图源：unsplash

 

数据科学的生命周期主要包括数据收集、数据清理、探索性数据分析、模型构建和模型部署。作为数据科学家或机器学习工程师，能够部署数据科学项目非常重要，这有助于完成数据科学生命周期。通过既有框架（如Django或Flask）对传统机器学习模型进行部署，可能是一项艰巨耗时的任务。

 

本文就将展示如何在Python库中使用streamlit，用不到50行的代码构建一个简单的基于机器学习的数据科学web应用程序。

 

数据科学生命周期

 

 

鸢尾花预测应用程序概述

 

我们将构建一个简单的机器学习web应用程序，用于预测鸢尾花的类标签，包括setosa、versicolor和virginica。这需要用到三个Python库，即streamlit、pandas和scikitlearn。

 

应用程序的概念流程主要由两个部分组成：前端和后端。

 

图源：unsplash

 

在前端，左侧栏将接受与鸢尾花特征（如花瓣长度、花瓣宽度、萼片长度和萼片宽度）相关的输入参数。这些特性会被传送到后端，后端的训练模型将预测类标签作为输入参数的函数，预测结果再发回前端显示。

 

在后端，用户输入的参数将被保存到一个数据帧中作为测试数据。同时，利用scikit-learn库中的随机森林算法建立分类模型。最后，将该模型应用于预测用户输入的数据，并将预测的类标签返回到三种花卉类型：setosa、versicolor或virginica。此外，该模型还能够预测概率，从而辨别预测类标签的相对可信度。

 

安装必备库

 

本教程使用到的三个Python库——str