Sklearn机器学习模型上线

    机器学习模型部署，常因开发语言或环境的不同，导致系统或应用无法直接使用离线模型，如在模型训练使用Python，而应用使用Java等其他语言开发。而在此状况下，模型部署上线，通常采用Falsk API服务、PMML、MLflow和Mleap等方法。以下将分别介绍Flask API 和PMML模型上线的方法。

1 Flask API服务

    Flask 安装：pip install flask
    Flask是一个使用 Python 编写的轻量级 Web 应用框架，通过Flask将Sklearn机器学习模型上线，是将Sklarn的模型保存为pkl文件，并在Flask 服务中加载，从而以接口的形式接收数据预测结果。以iris鸢尾花数据集训练模型，并上线部署为例：
（1）Sklearn模型训练并生成pkl文件，脚本如下：

from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import MinMaxScaler
from sklearn.externals import joblib
#加载iris数据
iris = load_iris()
x = iris.data
y = iris.target
scaler = MinMaxScaler()
x_sc = scaler.fit_transform(x)
clf = LogisticRegression()
clf.fit(x_sc,y)
# 模型保存
joblib.dump(scaler,'MinMaxScalerModel.pkl')
joblib.dump(clf, 'LogisticRegressionModel.pkl')

（2）在Flask中加载pkl文件，脚本如下：

from flask import Fl