使用 Streamlit 库部署机器学习模型

机器学习

机器学习是计算机通过经验学习的能力，即使它没有被编程。机器学习是当前热门领域，全球许多顶尖公司都在利用它来改进其产品和服务。未在 Jupyter Notebook 中训练的机器学习模型是无用的。我们需要将这些模型提供给所有人，以便他们可以使用。

在本教程中，我们将训练一个鸢尾花物种分类器，然后使用 Streamlit 部署模型，Streamlit 是一个开源应用框架，可以让我们轻松部署 ML 模型。

理解 Streamlit 库

Streamlit 允许我们使用简单的 Python 脚本为我们的机器学习项目创建应用程序。它还支持热重载，因此当我们在编辑和保存文件时，我们的应用程序可以实时更新。Streamlit API 允许我们用几行代码创建应用程序（如下所示）。声明一个变量与添加一个部件是相同的。我们不需要创建后端、处理 HTTP 请求或定义不同的路由。它易于设置和维护。

首先，我们将训练模型。作为本教程的主要目的，我们不会进行太多预处理。

训练模型

所需模块和库：要开始，让我们运行以下命令安装必要的模块和库

数据集

接下来，我们需要一个数据集来训练我们的模型。在本教程中，我们将使用 Iris 数据集。让我们加载数据集并查看其结构

代码

输出

现在我们将删除 Id 列，因为它对于鸢尾花物种分类来说不是必需的。接下来，我们将数据分为训练集和测试集，并使用随机森林分类器。也可以使用任何其他分类器，例如逻辑回归或支持向量机。

代码

现在，让我们将数据分为特征 (X) 和目标变量 (y)。我们将使用 70% 的数据进行训练，30% 用于测试

代码

在本教程中，我们将使用随机森林分类器，但请随意探索其他分类器，如逻辑回归或支持向量机。我们应该准备模型并评估其准确性

代码

输出

Prediction Accuracy:  0.9777777777777777

我们得到了 97.78% 的准确率，这相当不错。

保存训练好的模型

要使用此模型预测未知数据，我们必须保存它。pickle 是一种序列化和反序列化 Python 对象结构的工具。

代码

一个名为“classifier1.pkl”的新文件将在同一目录中创建。我们现在可以使用 Streamlit 部署我们的模型 -

使用 Streamlit 部署模型

现在，让我们使用 Streamlit 部署我们的模型。创建一个新的 Python 文件并复制以下代码

代码

将文件保存为 .py 扩展名。在您的终端中，导航到包含该文件的目录并执行以下命令来运行 Streamlit 应用程序

语法

输出

app1.py 是编写 Streamlit 代码的地方。

网站在浏览器中打开后，我们就可以对其进行测试。我们还可以使用此方法部署深度学习和机器学习模型。

结论

在本教程中，我们准备了一个基于 Iris 数据集的非规则林地分类器，并利用 Streamlit 库发送了模型。我们展示了如何保存准备好的模型并创建一个智能 Web 应用程序以进行预测。Streamlit 的简洁性和强大功能使其成为发送 AI 模型的绝佳选择。通过遵循本教程，您可以发送您自己的模型并创建易于使用的应用程序，供他人从您的 AI 解决方案中受益。