江苏龙网

  1. 首页 > 人文 > >

使用机器学习数据集构建销售预测Web应用程序( 三 )


你可以在本文中查看适用于你的OS和Python版本的命令：Python venv：
接下来 ， 我们将通过运行以下命令激活虚拟环境： source server/bin/activate
完成后 ， 我们需要安装Flask pip软件包： pip install -U Flask
接下来 ， 使用你喜欢的文本编辑器在服务器文件夹中创建一个名为“app.py”的文件 ， 并添加以下代码以创建基本的API：
from flask import Flask, jsonify, make_response, request, abortapp = Flask(__name__)@app.route("/")def hello():return "Hello World!"if __name__ == "__main__":app.run()现在打开终端并运行python3 app.py以启动服务器 。 这将主要在5000端口上启动服务器 。 为了测试API ， 请在浏览器中打开此链接：http://localhost:5000/
你应该在浏览器中打印出Hello World 。 如果不是 ， 则在启动API时检查API是否在其他端口上运行或在终端上打印错误 。
我们将调用POST API ， 因此最好在继续进行之前安装Postman工具 。 使用此工具将向服务器发送POST请求 。
接下来 ， 我们需要使用以下命令安装catboost ， pandas和Flask-Cors pip软件包：
pip install catboost pandas Flask-Cors
接下来 ， 将我们在第1部分末尾下载的经过训练的模型的pickle文件（finalized_model.sav）复制到服务器文件夹中 。
现在 ， 使用以下代码更新 app.py：
from flask import Flask, jsonify, make_response, request, abortimport pandas as pdimport catboostimport picklefrom flask_cors import CORS,cross_originmodel = pickle.load(open( "finalized_model.sav", "rb"))app = Flask(__name__)app.config['CORS_HEADERS'] = 'Content-Type'cors = CORS(app)@app.errorhandler(404)def not_found(error):return make_response(jsonify({'error': 'Not found'}), 404)@app.route("/")def hello():return "Hello World!"@app.route("/get_prediction", methods=['POST','OPTIONS'])@cross_origin()def get_prediction():if not request.json:abort(400)df = pd.DataFrame(request.json, index=[0])cols=["CONSOLE","RATING","CRITICS_POINTS","CATEGORY","YEAR","PUBLISHER","USER_POINTS"]df = df[cols]return jsonify({'result': model.predict(df)[0]}), 201if __name__ == "__main__":app.run()在第6行中 ， 我们将训练后的模型导入到我们的python文件中 。
在第10行 ， 我们初始化CORS模块以允许来自客户端API调用的请求 。
在第11行 ， 我们定义了一个错误处理程序 ， 如果从服务器访问了任何未处理的异常或未定义的路径 ， 它将发送错误响应 。
对我们来说 ， 主要的兴趣点是从第19行定义的get_prediction POST API 。 get_prediction方法是我们从客户端获取数据并提供响应的销售预测 。
在第24行 ， 我们将来自API请求的数据转换为pandas数据框 。 现在 ， 我们的模型期望列以特定顺序提供正确的响应 。 因此 ， 在第25行中 ， 我们指定列顺序 。 在接下来的步骤中 ， 以所需顺序重新排列列 。
在第27行 ， model.predict用于从模型中获取预测 ， 并将其作为响应传递给客户端 。 在这一步 ， 我们准备好在本地使用该API 。 我们可以通过发送POST-API调用来测试Postman客户端中的API ， 如截图所示：
使用机器学习数据集构建销售预测Web应用程序文章插图
你可以在上述请求的正文部分中添加一个JSON示例 ， 可以在代码Github-gist中找到 。

确保在主体和主体类型中选择raw和JSON选项（如屏幕截图所示） ， 并在请求类型中选择POST 。
如果在此步骤之前一切正常 ， 那么恭喜你 ， 你现在有了一个后端API ， 该API可根据输入参数根据经过训练的模型进行预测 。


推荐阅读


上一篇：我为什么放弃了ThinkPad，选择入手ThinkBook

下一篇：成长思维：我大哥对“道法术器”的理解，80%的人不懂