python前端streamlit模型部署

简单介绍使用前端streamlit框架快速部署本地模型：
1、模型训练：

import pandas as pd
# 流程整合
from sklearn.pipeline import make_pipeline, Pipeline
# 数据处理
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import MinMaxScaler, StandardScaler, MaxAbsScaler, RobustScaler
# 随机森林
from sklearn.ensemble import RandomForestClassifier
# 模型保存
import joblib
# Pipeline步骤显示
from sklearn import set_config
set_config(display='diagram')

# 加载数据集
data = pd.read_csv('train.csv')
data = data[["x1","x2","x3","x4","y"]]

# 管道建模 
pip = make_pipeline(SimpleImputer(strategy='constant', fill_value=-1),
                    RobustScaler(), # 针对异常值的归一化
                    RandomForestClassifier()
                    )
# 模型拟合
pip.fit(data.drop("y", axis=1), data["y"])

# 保存模型
joblib.dump(pip, './rfc_model.pkl')

2、streamlit模型部署，仅需几行代码即可，保存为test.py文件：

import streamlit as st
import joblib

st.header("本地模型部署")
st.subheader("模型预测")
# 模型加载
model = joblib.load('./rfc_model.pkl')
# 创建一个文本输入框  
text = st.text_input("请输入数据：")
# 切分转数字列表
pre_data = [float(i) for i in text.split()]

if st.button('提交'):
    # 调用模型进行预测
    pre_prob = model.predict_proba([pre_data])[0][1]
    pre_label = 1 if pre_prob > 0.5 else 0
    # 显示用户输入的内容  
    st.write(f'预测概率为：{pre_prob}，预测标签为：{pre_label}')

3、启动服务：
终端执行命令：

streamlit run .\test.py

4、浏览器打开服务地址：
http://localhost:8501