使用scikit learn的Web应用程序

3条回答

网友

1楼 · 编辑于 2024-05-19 02:24:45

虽然这不是一个分类器，但我已经使用bottle框架和scikit learn实现了一个简单的机器学习web服务。给定一个.csv格式的数据集，它返回有关主成分分析和线性判别分析技术的二维可视化。

有关更多信息和示例数据文件，请访问：http://mindwriting.org/blog/?p=153

以下是实现方法：上传.html：

<form
 action="/plot" method="post"
 enctype="multipart/form-data"
>
Select a file: <input type="file" name="upload" />
<input type="submit" value="PCA & LDA" />
</form>

pca_lda_viz.py（修改主机名和端口号）：

import matplotlib
matplotlib.use('Agg')

import matplotlib.pyplot as plt
import numpy as np
from cStringIO import StringIO

from bottle import route, run, request, static_file
import csv
from matplotlib.font_manager import FontProperties
import colorsys

from sklearn import datasets
from sklearn.decomposition import PCA
from sklearn.lda import LDA

html = '''
<html>
    <body>
        <img src="data:image/png;base64,{}" />
    </body>
</html>
'''

 @route('/')
 def root():
     return static_file('upload.html', root='.')

 @route('/plot', method='POST')
    def plot():

       # Get the data
       upload = request.files.get('upload')
       mydata = list(csv.reader(upload.file, delimiter=','))

       x = [row[0:-1] for row in mydata[1:len(mydata)]]

       classes =  [row[len(row)-1] for row in mydata[1:len(mydata)]]
       labels = list(set(classes))
       labels.sort()

       classIndices = np.array([labels.index(myclass) for myclass in classes])

       X = np.array(x).astype('float')
       y = classIndices
       target_names = labels

       #Apply dimensionality reduction
       pca = PCA(n_components=2)
       X_r = pca.fit(X).transform(X)

       lda = LDA(n_components=2)
       X_r2 = lda.fit(X, y).transform(X)

        #Create 2D visualizations
       fig = plt.figure()
       ax=fig.add_subplot(1, 2, 1)
       bx=fig.add_subplot(1, 2, 2)

       fontP = FontProperties()
       fontP.set_size('small')

       colors = np.random.rand(len(labels),3)

       for  c,i, target_name in zip(colors,range(len(labels)), target_names):
           ax.scatter(X_r[y == i, 0], X_r[y == i, 1], c=c, 
                      label=target_name,cmap=plt.cm.coolwarm)
           ax.legend(loc='upper center', bbox_to_anchor=(1.05, -0.05),
                     fancybox=True,shadow=True, ncol=len(labels),prop=fontP)
           ax.set_title('PCA')
           ax.tick_params(axis='both', which='major', labelsize=6)

       for c,i, target_name in zip(colors,range(len(labels)), target_names):
           bx.scatter(X_r2[y == i, 0], X_r2[y == i, 1], c=c, 
                      label=target_name,cmap=plt.cm.coolwarm)
           bx.set_title('LDA');
           bx.tick_params(axis='both', which='major', labelsize=6)

       # Encode image to png in base64
       io = StringIO()
       fig.savefig(io, format='png')
       data = io.getvalue().encode('base64')

       return html.format(data)

run(host='mindwriting.org', port=8079, debug=True)

网友

2楼 · 编辑于 2024-05-19 02:24:45

您可以按照以下教程在Azure ML中部署scikit学习模型并自动生成web服务：

Build and Deploy a Predictive Web App Using Python and Azure ML

或者yHat+Heroku的组合也可以做到

网友

3楼 · 编辑于 2024-05-19 02:24:45

如果这只是一个演示，那么离线训练分类器，pickle模型，然后使用简单的python web框架（如flask或bottle）在服务器启动时取消对模型的ickle，并在HTTP请求处理程序中调用predict函数。

django是一个功能完整的框架，因此比烧瓶或瓶子学习时间更长，但它有一个伟大的文档和一个更大的社区。

heroku是一个在云中托管应用程序的服务。有可能host flask applications on heroku，这里有一个simple template project + instructions这样做。

对于“生产”设置，我建议您不要使用pickle，而是为机器学习模型编写您自己的持久层，以便对存储的参数进行完全控制，并对可能会打破旧模型的取消锁定的库升级更加健壮。

相关问题更多 >

编程相关推荐

热门问题

热门文章