对于机器学习爱好者而言,很多时候我们需要将建好的模型部署在线上,实现前后端的交互,今天小编就通过Flask
以及Streamlit
这两个框架实现机器学习模型的前后端交互。
模型的建立
首先是模型的建立,小编这回为了省事儿建立一个非常简单的二分法模型,所引用的数据集如下所示
import pandas as pd
df = pd.read_csv("data.csv")
df.head()
output
Height Weight Species
0 88.9 48.3 Dog
1 90.2 47.4 Dog
2 82.7 44.8 Dog
3 81.4 48.2 Dog
4 83.5 39.9 Dog
所涉及到的特征也就两列分别是“Hight”以及“Weight”也就是身高和体重,我们需要通过这两个特征来预测它到底是“猫”还是“狗”,代码如下
X = df[["Height", "Weight"]]
y = df["Species"]
clf = GaussianNB()
clf.fit(X, y)
当然小编为了省事儿这里并没有进行训练集和测试集的区分,也没有进行任何的调参以及模型的优化,只是简单的建立了一个朴素贝叶斯的二分类模型。接下来我们将建立好的模型保存下来