Python实现机器学习前后端页面的交互

CDA数据分析师 10-25 456

前言：

现在你们对“网页与python交互”可能比较讲究，兄弟们都想要剖析一些“网页与python交互”的相关知识。那么小编也在网摘上收集了一些关于“网页与python交互””的相关文章，希望我们能喜欢，小伙伴们快快来学习一下吧！

作者：俊欣

来源：关于数据分析与可视化

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 pddf = pd.read_csv("data.csv")df.head()

output

   Height  Weight Species0    88.9    48.3     Dog1    90.2    47.4     Dog2    82.7    44.8     Dog3    81.4    48.2     Dog4    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

import joblibjoblib.dump(clf, "clf.pkl")

Flask框架

前端页面主要是由一系列的HTML代码写成的，代码如下

<!DOCTYPE html><html>    <head>        <title>Your Machine Learning App</title>    </head>        <body>        <form name="form", method="POST", style="text-align: center;">            <br>            Height: <input type="number" name="height", placeholder="Enter height in cm" required/>            <br><br>            Weight: <input type="number" name="weight", placeholder="Enter weight in kg" required/>            <br><br>            <button value="Submit">Run</button>        </form>        <p style="text-align: center;">{{ output }}</p>    </body></html>

输出结果如下：

我们可以看到有两个输入框分别代表的是身高与体重，以及运行的按钮键。接下来我们来写后端的逻辑代码，当前端传过来数据的时候，也就是身高与体重的数据的时候，后端的代码来调用已经训练好的模型并且做出预测，然后显示在前端的页面上。在Flask框架中后端的业务代码大致如下

from flask import Flask, request, render_templateimport pandas as pdimport joblib# 声明是一个Flask应用app = Flask(__name__)# 主要业务逻辑# ------------------# 运行整体的应用if __name__ == '__main__':    app.run(debug = True)

那么在本篇文章的项目背景下，代码如下

@app.route('/', methods=['GET', 'POST'])def main():        # 表单数据提交，POST请求    if request.method == "POST":                # 调用已经训练好的模型        clf = joblib.load("clf.pkl")                # 从输入框中获取身高与体重数据        height = request.form.get("height")        weight = request.form.get("weight")                # 转变成DataFrame格式        X = pd.DataFrame([[height, weight]], columns = ["Height", "Weight"])                # 获取预测值        prediction = clf.predict(X)[0]            else:        prediction = ""            return render_template("website.html", output = prediction)

然后我们运行整个脚本，效果如下

我们试着输入一些身高与体重的值，看一下返回的结果，效果如下

Streamlit框架

下面我们来看一下将模型部署在Streamlit框架下该如何来操作。在Streamlit框架中没有特别明显的前后端代码的分离，代码如下

import streamlit as stimport pandas as pdimport joblib# 标题st.header("Streamlit Machine Learning App")# 输入框height = st.number_input("Enter Height")weight = st.number_input("Enter Weight")# 点击提交按钮if st.button("Submit"):    # 引入训练好的模型    clf = joblib.load("clf.pkl")    # 转换成DataFrame格式的数据    X = pd.DataFrame([[height, weight]],                     columns=["Height", "Weight"])    # 获取预测出来的值    prediction = clf.predict(X)[0]    # 返回预测的值    st.text(f"This instance is a {prediction}")

最后生成的页面如下

我们在终端中运行以下命令