机器学习-12-sklearn案例03-flask对外提供服务

已于 2024-05-10 14:15:02 修改
阅读量858 收藏 14
点赞数 6
分类专栏： 2024年机器学习 文章标签： 机器学习 sklearn flask
于 2024-05-10 10:38:25 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_38139250/article/details/138652957
版权

整体思路

训练一个模型，把模型保存
写一个基于flask的web服务，在web运行时加载模型，并在对应的接口调用模型进行预测并返回
使用curl进行测试，测试通过
再创建一个html页面，接受参数输入，并返回。

目录结构

在这里插入图片描述

训练一个svm模型

#导入数据集模块
from sklearn import datasets


#分别加载iris和digits数据集
iris = datasets.load_iris()  #鸢尾花数据集
# print(dir(datasets))
# print(iris_dataset.keys())
# dict_keys(['data', 'target', 'frame', 'target_names', 'DESCR', 'feature_names', 'filename', 'data_module'])

from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test=train_test_split(iris.data,iris.target,test_size=0.4,random_state=0)
print("iris.data[0:5]:\n",iris.data[0:5])
print("iris.target[0:5]:\n",iris.target[0:5])
print("iris.data.shape:",iris.data.shape)
print("iris.target.shape:",iris.target.shape)
print("X_train.shape:",X_train.shape)
print("y_train.shape:",y_train.shape)
print("X_test.shape:",X_test.shape)
print("y_test.shape:",y_test.shape)

# 第二步使用sklearn模型的选择
from sklearn import svm
svc = svm.SVC(gamma='auto')

#第三步使用sklearn模型的训练
svc.fit(X_train, y_train)

# 第四步使用sklearn进行模型预测
print(svc.predict([[5.84,4.4,6.9,2.5]]))

#第五步机器学习评测的指标
#机器学习库sklearn中，我们使用metrics方法实现：
import numpy as np
from sklearn.metrics import accuracy_score
print("y_test:\n",y_test)
y_pred = svc.predict(X_test)
print("y_pred:\n",y_pred)
print(accuracy_score(y_test, y_pred))

#第五步机器学习评测方法：交叉验证 (Cross validation)
#机器学习库sklearn中，我们使用cross_val_score方法实现：
from sklearn.model_selection import cross_val_score
scores = cross_val_score(svc, iris.data, iris.target, cv=5)
print(scores)


#第六步机器学习:模型的保存
#机器学习库sklearn中，我们使用joblib方法实现：
# from sklearn.externals import joblib
import joblib
joblib.dump(svc, 'filename.pkl') 
svc1 = joblib.load('filename.pkl') 
#测试读取后的Model
print(svc1.score(X_test, y_test))

运行如下：

iris.data[0:5]:
[[5.1 3.5 1.4 0.2]
[4.9 3. 1.4 0.2]
[4.7 3.2 1.3 0.2]
[4.6 3.1 1.5 0.2]
[5. 3.6 1.4 0.2]]
iris.target[0:5]:
[0 0 0 0 0]
iris.data.shape: (150, 4)
iris.target.shape: (150,)
X_train.shape: (90, 4)
y_train.shape: (90,)
X_test.shape: (60, 4)
y_test.shape: (60,)
[2]
y_test:
[2 1 0 2 0 2 0 1 1 1 2 1 1 1 1 0 1 1 0 0 2 1 0 0 2 0 0 1 1 0 2 1 0 2 2 1 0
1 1 1 2 0 2 0 0 1 2 2 2 2 1 2 1 1 2 2 2 2 1 2]
y_pred:
[2 1 0 2 0 2 0 1 1 1 2 1 1 1 1 0 1 1 0 0 2 1 0 0 1 0 0 1 1 0 2 1 0 2 2 1 0
2 1 1 2 0 2 0 0 1 2 2 2 2 1 2 1 1 2 2 1 2 1 2]
0.95
[0.96666667 1. 0.96666667 0.96666667 1. ]
0.95

此时已经生成好了filename.pkl模型文件

写一个appweb.py

import json
from flask import Flask, jsonify, render_template,request

app = Flask(__name__)

# 运行时，先加载文件
from sklearn import svm
import joblib
svc1 = joblib.load('filename.pkl') 
print(svc1.predict([[5.84,4.4,6.9,2.5]]))

# 访问 127.0.0.1:5000/test 返回 index1.html
@app.route("/test")
def my_echart():
    return render_template("index.html")

app.config['JSON_AS_ASCII'] = False
 
# 随便定义个json字典
dic={}
@app.route('/jsonify',methods=["GET","POST"])
def jsonifys():
    print("============787878787==================")
    print(request)
    param1 = request.json.get("content1")
    param2 = request.json.get("content2")
    param3 = request.json.get("content3")
    param4 = request.json.get("content4")

    print("param1, param2, param3, param4",param1, param2, param3, param4)

    dic['result']=svc1.predict([[param1, param2, param3, param4]]).tolist()
    print("resutlt",dic)
    return jsonify(dic)


# app.run(host, port, debug, options)
app.run("127.0.0.1",5000,debug=True,)

输出为：
在这里插入图片描述

在这里插入图片描述

curl在线测试

curl -X POST http://127.0.0.1:5000/jsonify -H "Content-Type: application/json" \
  -d "{\"content1\":\"5.1\",\"content2\":\"3.5\",\"content3\":\"1.4\",\"content4\":\"0.2\"}"

输出为：
在这里插入图片描述

curl -X POST http://127.0.0.1:5000/jsonify -H "Content-Type: application/json" \
  -d "{\"content1\":\"5.7\",\"content2\":\"2.8\",\"content3\":\"4.5\",\"content4\":\"1.3\"}"

输出为：
在这里插入图片描述

curl -X POST http://127.0.0.1:5000/jsonify -H "Content-Type: application/json" \
  -d "{\"content1\":\"6.7\",\"content2\":\"3\",\"content3\":\"5.2\",\"content4\":\"2.3\"}"

输出为：
在这里插入图片描述

创建一个index.html

index.html位于templates下

<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<title>Fetch JSON Example</title>
<script>
  function sendData() {
    // 获取表单输入的值
    const input1 = document.getElementById('input1').value;
    const input2 = document.getElementById('input2').value;
    const input3 = document.getElementById('input3').value;
    const input4 = document.getElementById('input4').value;

    // 构造要发送的数据
    const data = {
      content1: input1,
      content2: input2,
      content3: input3,
      content4: input4
    };

    // 使用fetch发送POST请求
    fetch('http://127.0.0.1:5000/jsonify', { // 替换 'your-server-endpoint' 为你的服务器接收数据的URL
      method: 'POST',
      headers: {
        'Content-Type': 'application/json',
      },
      body: JSON.stringify(data), // 将数据对象转换为JSON字符串
    })
    .then(response => response.json()) // 解析返回的JSON数据
    .then(data => {
        console.log('Success:', data);
      // 在结果栏中显示返回的JSON数据
      document.getElementById('result').textContent = JSON.stringify(data, null, 2);
    })
    .catch((error) => {
      console.error('Error:', error);
    });
  }
</script>
</head>
<body>

<h2>输入数据</h2>
<input type="text" id="input1" placeholder="内容1">

<input type="text" id="input2" placeholder="内容2">

<input type="text" id="input3" placeholder="内容3">

<input type="text" id="input4" placeholder="内容4">

<button onclick="sendData()">发送数据</button>

<h2>结果显示</h2>
<pre id="result"></pre> <!-- 用于显示结果的区域 -->

</body>
</html>

在这里插入图片描述

运行测试

输入

http://127.0.0.1:5000/test

返回indexl.html页面
在这里插入图片描述

输入如下测试用例

0类别
[[5.1 3.5 1.4 0.2]
[4.9 3. 1.4 0.2]
[4.7 3.2 1.3 0.2]
[4.6 3.1 1.5 0.2]
[5. 3.6 1.4 0.2]]
在这里插入图片描述

1类别
[[5.7 2.8 4.5 1.3]
[6.3 3.3 4.7 1.6]
[4.9 2.4 3.3 1. ]
[6.6 2.9 4.6 1.3]
[5.2 2.7 3.9 1.4]]
在这里插入图片描述

2类别
[[6.7 3. 5.2 2.3]
[6.3 2.5 5. 1.9]
[6.5 3. 5.2 2. ]
[6.2 3.4 5.4 2.3]
[5.9 3. 5.1 1.8]]
在这里插入图片描述

参考

机器学习——Java调用sklearn生成好的Logistic模型进行鸢尾花的预测

sklearn模型简介可以快速了解

IT从业者张某某
关注
  • 6
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
python-flask-sklearn-docker-template：使用scikit-learn，Flask和Docker进行实时机器学习的python API的简单示例
02-03
python-flask-docker-sklearn-template 用于实时机器学习的python API的简单示例。 初始化时，将创建一个简单的线性回归模型并将其保存在计算机上。 在请求进行预测时，将加载简单模型并返回预测。 有关更多信息，...
机器学习-新闻分类案例
root1228544694的博客
06-05 972
新闻分类案例项目，对文章进行分词，用TF-IDF和词袋，对文章进行分词，用TF-IDF和词袋表示文档特征，训练word2vec模型，完整过程，项目集成调用 ...
机器学习：sklearn实现心脏病预测
热门推荐
Major_S的博客
04-05 1万+
六 56.心脏病预测-数据集介绍 57.心脏病预测-性别与患病分析 58.心脏病预测-特征预处理 59.心脏病预测-K近邻预测 60.心脏病预测-精准率召回率以及ROC曲线 61.心脏病预测-决策树算法评估 62.心脏病预测-随机森林算法评估 63.心脏病预测-逻辑回归算法评估 64.心脏病预测-SGD分类算法评估 65.心脏病预测-特征重要性分析 ...
学习记录639@python机器学习模型部署与访问实战-基于Flask
教练我想学编程
09-05 827
本文基于Flask web框架，搭建机器学习模型部署与使用的简单案例。传递数据用json格式。Flask就是python中的一个web框架，和springboot类似，但是这个框架真的不好用，毕竟python不是专门写web的。需要先pip install flask，且要用专业版本pycharm创建flask项目。
使用Flask部署机器学习模型
TensorFlowNews
07-09 3076
作者|LAKSHAY ARORA 编译|VK 来源|Analytics Vidhya 概述 部署机器学习模型是每个ML项目的一个关键 学习如何使用Flask将机器学习模型部署到生产中 模型部署是数据科学家访谈中的一个核心话题 介绍 我记得我早期在机器学习领域的日子。我喜欢处理多个问题，对机器学习项目的各个阶段都很感兴趣。和我之前的许多人一样，我被模型整个生命周期的构建所吸引。 我和领域专家谈过，项目经理和所有相关人员确保他们的投入被包括在模型中。但后来我遇到了一个障碍——我到底该如何把我的模型交给
非机器学习类的webshell扫描器，使用的flask+scikit-learn完成的毕业设计程序
11-14
非机器学习类的webshell扫描器，使用的flask+scikit-learn完成的毕业设计程序。 当然比较重要的就是这几个检测功能： 1.上传检测 使用了bootstrap的一个文件上传的框架，可以多文件上传并进行检测。 [image] 检测...
docker-flask-image-recognition-sklearn:Dockerfile利用Flask托管scikit学习图像识别模型
05-05
想象一下，您已经建立了一个机器学习模型，并希望其他人能够使用它。 您必须将其托管在某个地方，并且随着越来越多的用户使用该模型访问端点，您将需要动态扩展以确保他们获得快速而一致的体验。 该项目包括许多...
Flask-RESTful构建小型REST服务
02-25
诸如dockerdaemon等服务都是提供了RESTfulAPI，docker的CLI可以通过该API的URL地址与之通信。Flask是一个超级流行的Python编写的轻量级Web应用框架。而Flask有一个REST插件——Flask-RESTful是为了快速构建RESTAPI的...
Python-使用Web界面训练和部署机器学习模型采用DockerPyTorch和Flask实现
08-11
使用Web界面训练和部署机器学习模型 - 采用Docker，PyTorch和Flask实现
python高光谱遥感数据处理与机器学习
PhyliciaFelicia的博客
05-23 899
结合Python编程工具，专注于解决高光谱数据读取、数据预处理、高光谱数据机器学习等技术难题，通过复现高光谱数据处理和分析过程，并解析代码，使大家掌握python高光谱数据处理技巧。通过矿物识别、农业应用、木材含水量提取、土壤有机碳评估等案例，提供可借鉴的高光谱应用技术方案，结合Python科学计算、可视化、数据处理和机器学习库，深入讲解应用开发。
人工智能（Educoder）-- 机器学习 -- 神经网络（初级）
qiqi_liuliu的博客
05-23 645
卷积是一种数学运算，它在多个领域中都有应用，包括信号处理、图像处理和机器学习中的卷积神经网络（CNNs）。卷积的基本思想是将一个较小的函数（称为卷积核或滤波器）滑动遍历另一个函数（可以是信号、图像或数据集），在每个位置计算卷积核与函数的局部区域的乘积之和。卷积是一种强大的工具，它在许多领域中都有广泛的应用，特别是在处理和分析具有空间或时间结构的数据时。这段代码定义了一个简单的卷积神经网络（CNN）模型，用于图像识别或其他相关任务。
Transformer系列专题（一）——self-attention自注意力机制如何计算
最新发布
weixin_73044854的博客
05-23 824
自注意力机制的原理相当于一个词在其上下文中的联系，即将这一个词赋予这一句话中将每个词乘以不同的权重，即是这一个词对上下文的关系程度。将本句话中的a对上下文的关系程度即为，将上下的词分别乘以不同的权重赋予到a词中，这就是a对上下问的关系程度。接下来详细介绍自注意力机制如何计算？
多任务学习
xw555666的博客
05-22 660
多任务学习（Multi-task Learning, MTL）是一种机器学习范式，它旨在同时学习多个相关任务，以提高模型在各个任务上的性能。数学上，多任务学习可以表示为一个联合优化问题，其中模型需要在多个任务上同时优化。
EM算法求解高斯混合模型参数公式推导
qq_33909788的博客
05-18 597
高斯混合模型（Gaussian Mixture Model，简称GMM）是一种经典的概率模型，被广泛应用于数据挖掘、模式识别和机器学习等领域。本文将详细介绍高斯混合模型及其参数推导过程，希望通过本文的阐述能够让读者对GMM和EM算法有更清晰的认识和理解
机器学习之二分类决策丛林（Two-class Decision Jungle）
JustinMars的博客
05-23 393
二分类决策丛林（Two-class Decision Jungle）是一种集成学习方法，结合了决策树和随机森林的优点，并引入了图模型的概念。决策丛林旨在通过构建多个决策树并将它们的结构图合并为一个“丛林”图来提高分类性能。下面详细介绍二分类决策丛林的核心概念、工作原理、优点和缺点，以及应用实例。
Python 机器学习 基础 之 数据表示与特征工程 【分箱、离散化、线性模型与树 / 交互特征与多项式特征】的简单说明
仙魁XAN
05-23 476
Python是一种跨平台的计算机程序设计语言。是一种面向对象的动态类型语言，最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越多被用于独立的、大型项目的开发。Python是一种解释型脚本语言，可以应用于以下领域： Web 和 Internet开发、科学计算和统计、人工智能、教育、桌面界面开发、软件开发、后端开发、网络爬虫。Python 机器学习是利用 Python 编程语言中的各种工具和库来实现机器学习算法和技术的过程。
Python 机器学习 基础 之 数据表示与特征工程 【分类变量】的简单说明
仙魁XAN
05-23 496
Python是一种跨平台的计算机程序设计语言。是一种面向对象的动态类型语言，最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越多被用于独立的、大型项目的开发。Python是一种解释型脚本语言，可以应用于以下领域： Web 和 Internet开发、科学计算和统计、人工智能、教育、桌面界面开发、软件开发、后端开发、网络爬虫。Python 机器学习是利用 Python 编程语言中的各种工具和库来实现机器学习算法和技术的过程。
超简单白话文机器学习 - 支持向量机SVM（含算法讲解，公式全解，手写代码实现，调包实现）
qq_51222843的博客
05-21 1135
支持向量机，因其英文名为supportvectormachine，故一般简称SVM，通俗来讲，它是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。
flask-restful python 网页开发案例
04-17
很抱歉，我没有理解您的问题。请问您是否在寻找 Flask-RESTful 的 Python 网页开发案例？如果是的话，这是一个可以使用 Flask-RESTful 框架开发的示例工程：https://github.com/flask-restful/flask-restful/tree/master/examples. 希望能对您有所帮助。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

IT从业者张某某

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值