注：你可以在文末找到指向整個 GitHub 倉庫的鏈接。
在本教程中，我將向你展示如何將模型投入生產環境中（即模型部署）。
什麼是模型部署？模型部署就是將機器學習模型集成到現有的生產環境中，以便基於數據做出實際的業務決策。
我們將使用帶有 FLASK 的 Python web API 來部署模型。因此，我們的最終目標是創建一個網站，一旦用戶在網站上輸入值，該網站就會給你預測的結果。
從 GitHub 下載我的文件
首先，到我的 GitHub 頁面上的 K-pop 倉庫下載模型部署文件夾。
我們將使用名爲 GitZip 的網站，它可以讓你下載 repo 中的特定文件夾。你所需要做的就是將連接複製並粘貼到我的模型部署文件夾。
複製並在此處粘貼我的文件夾鏈接
你可以隨意命名文件夾。我將文件夾命名爲“K-pop Model Deployment”。
使用 Spyder IDE
在本教程中，我們將使用 Spyder IDE。
如果你還沒有安裝 Spyder IDE 的話，可以從這裏下載（你需要從 Anaconda 網站下載），請務必下載版本 7.3，因爲這是最新版本。
安裝 Anaconda（Python 3.7）
安裝後，打開 Spyder IDE，導航到“File Explorer”，然後選擇剛剛下載的文件夾。
在 templates 文件夾下打開 app.py、k_pop_model_building.py 和 index.html。
Spyder 中的 File Explorer
只選擇連續變量
在上一部教程中，我們使用了 .pd.get_dummies(df_model) 將類別變量轉換爲虛擬變量/指標變量。我意識到，這樣做會產生太多額外變量，我認爲這樣對用戶不太友好（我們並不希望用戶輸入 73 個答案）。因此，我們只選擇連續變量，這樣，用戶只需輸入 5 個變量（“yr_listened”、“daily_MV_hr”、“yr_merch_spent”、“age”、“num_gr_like”）即可預測他們每天聽歌的小時數：“daily_music_hr”。
df_real = df[[“yr_listened”, “daily_music_hr”, “daily_MV_hr”,
“yr_merch_spent”, “age”, “num_gr_like”]]
然後，進行訓練並在此測試分離。
from sklearn.model_selection import train_test_split
X = df_real.drop('daily_music_hr', axis = 1)
y = df_real.daily_music_hr.values
X_train, X_test, y_train, y_test = train_test_split(X, y,
test_size = 0.2,
random_state = 1)
運行 XGBoost 模型
在上一部教程中，我們看到，XGBoost 模型是最好的一個。因此，我們將部署這個模型。
import xgboost as xgb
# initialize the linear regression model
xgb_clf = xgb.sklearn.XGBClassifier(nthread = -1, seed = 1)
# train the model
xgb_clf.fit(X_train, y_train)
# Tune XGBoost using GridSearchCV
from sklearn.model_selection import GridSearchCV
params = {'min_child_weight': [5], 'gamma': [1],
'subsample': [0.8, 1.0],
'colsample_bytree': [0.6, 0.8],
'max_depth': [1,2]}
gs_xgb = GridSearchCV(xgb_clf, params ,
scoring = 'neg_mean_absolute_error',
cv = 10)
gs_xgb.fit(X_train, y_train)
gs_xgb.best_score_
xgb_best = gs_xgb.best_estimator_
xgb_best
xgb_best.fit(X_train, y_train)
保存訓練模型
我們可以使用 pickle 將經過訓練的模型保存到磁盤中。然後，它在以後重新加載後，可以完全使用，就像我們已經訓練過它一樣。
# save the model to disk
with open('model.pkl', 'wb') as file:
pickle.dump(xgb_best, file)
使用 FLASK 創建 Web 應用程序
首先，我們需要這兩樣東西來創建一個 Web 應用程序。
- Pythono 腳本將加載經過訓練的模型，要求用戶將輸入值放到網站上，執行預測，並返回結果。
- HTML 模板，即網站的格式。這將允許用戶輸入他們的數據並顯示結果。
結構如下所示：
web app/
├── model/
│ └── model.pkl — trained model
├── templates/
│ └── index.html — format of the website
└── app.py — to host the model
創建 app.py 以託管模型
app.py 將成爲 Web 應用程序的基礎。它將發送網頁，從用戶哪裏獲取數據來執行預測。
# use flask to host the model
import flask
import pickle
import pandas as pd
# Use pickle to load in the pre-trained model
with open(f'model.pkl', 'rb') as f:
model = pickle.load(f)
# initialize the flask app
app = flask.Flask(__name__, template_folder='templates')
# set up the main route
@app.route('/', methods=['GET', 'POST'])
def main():
if flask.request.method == 'GET':
# rendering the initial form, to get input
return(flask.render_template('index.html'))
if flask.request.method == 'POST':
# extracting the input values
yr_listened = flask.request.form['yr_listened']
daily_MV_hr = flask.request.form['daily_MV_hr']
yr_merch_spent = flask.request.form['yr_merch_spent']
age = flask.request.form['age']
num_gr_like = flask.request.form['num_gr_like']
# making dataframe for model
input_variables = pd.DataFrame([[yr_listened, daily_MV_hr, yr_merch_spent, age, num_gr_like]],
columns=['yr_listened', 'daily_MV_hr', 'yr_merch_spent', 'age', 'num_gr_like'],
dtype=float,
index=['input'])
# get the model's prediction
prediction = model.predict(input_variables)[0]
output = float(round(prediction, 2))
# render the form again, but add in the prediction and remind user of the values they input before
return flask.render_template('index.html',
original_input={'yr_listened':yr_listened,
'daily_MV_hr':daily_MV_hr,
'yr_merch_spent':yr_merch_spent,
'age':age,
'num_gr_like':num_gr_like},
result=float(output)
)
if __name__ == "__main__":
app.run(debug=True)
創建 index.html 對網站進行格式化
這是該項目的前端部分。它要求用戶輸入值，執行預測並給出輸出結果。這是一種非常基本的樣式。我當時試着用 CSS，但無法真正讓它工作起來。如果你熟悉 CSS 或者想使用樣式，請隨意使用。
<!doctype html>
<html>
<style>
form {
margin: auto;
width: 35%;
}
.result {
margin: auto;
width: 35%;
border: 1px solid #ccc;
}
</style>
<head>
<title>Predicting Daily K-Pop Listening Hours</title>
</head>
<form action="{{ url_for('main') }}" method="POST">
<fieldset>
<legend>Input values:</legend>
Number of years you listened to K-Pop:
<input name="yr_listened" type="number" step=".01" required>
<br>
<br> Number of hours you watch K-Pop MV per day:
<input name="daily_MV_hr" type="number" step=".01" required>
<br>
<br> How much money you spend on K-Pop merchandise a year:
<input name="yr_merch_spent" type="number" step=".01" required>
<br>
<br> Your age:
<input name="age" type="number" step=".01" required>
<br>
<br> Number of groups you like:
<input name="num_gr_like" type="number" step=".01" required>
<button type="submit" class="btn btn-primary btn-block btn-large">Predict!</button>
</fieldset>
</form>
<br>
<div class="result" align="center">
{% if result %}
{% for variable, value in original_input.items() %}
<b>{{ variable }}</b> : {{ value }}
{% endfor %}
<br>
<br> Predicted Daily K-Pop Listening Hours:
<p style="font-size:50px" step=".01">{{ result }}</p>
{% endif %}
</div>
</html>
運行 Web 應用程序
現在，我們終於可以進行測試了，看看是否一切都按照我們設想的方式運行。
- 轉到 Anaconda 提示符。
- 將目錄切換到你的工作文件夾（即 cd Desktop → cd k-pop Model Deployment）。
- 運行 app.py（即 python app.py）
- 將獲得的鏈接複製並粘貼到瀏覽器。
- 輸入值並檢查它給出了預測結果。
Anaconda 提示符命令示例：
cd Desktop
cd K-Pop Model Deployment
python app.py
我們完成了！希望這篇教程對你有所啓發！
在下一個教程中，我將想你展示如何通過創建一個組合網站來記錄這個項目！敬請關注。
我的 GitHub 倉庫 在這裏。
作者介紹：
Jaemin Lee，專攻數據分析與數據科學，數據科學應屆畢業生。
原文鏈接：