當前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

小程序中input标签没有反应_鸢尾花预测：如何创建机器学习Web应用程序？

發布時間：2023/12/10 编程问答 29 豆豆

生活随笔收集整理的這篇文章主要介紹了小程序中input标签没有反应_鸢尾花预测：如何创建机器学习Web应用程序？小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

全文共2485字，預計學習時長12分鐘

圖源：unsplash

數據科學的生命周期主要包括數據收集、數據清理、探索性數據分析、模型構建和模型部署。作為數據科學家或機器學習工程師，能夠部署數據科學項目非常重要，這有助于完成數據科學生命周期。通過既有框架(如Django或Flask)對傳統機器學習模型進行部署，可能是一項艱巨耗時的任務。

本文就將展示如何在Python庫中使用streamlit，用不到50行的代碼構建一個簡單的基于機器學習的數據科學web應用程序。

數據科學生命周期

鳶尾花預測應用程序概述

我們將構建一個簡單的機器學習web應用程序，用于預測鳶尾花的類標簽，包括setosa、versicolor和virginica。這需要用到三個Python庫，即streamlit、pandas和scikitlearn。

應用程序的概念流程主要由兩個部分組成：前端和后端。

圖源：unsplash

在前端，左側欄將接受與鳶尾花特征(如花瓣長度、花瓣寬度、萼片長度和萼片寬度)相關的輸入參數。這些特性會被傳送到后端，后端的訓練模型將預測類標簽作為輸入參數的函數，預測結果再發回前端顯示。

在后端，用戶輸入的參數將被保存到一個數據幀中作為測試數據。同時，利用scikit-learn庫中的隨機森林算法建立分類模型。最后，將該模型應用于預測用戶輸入的數據，并將預測的類標簽返回到三種花卉類型：setosa、versicolor或virginica。此外，該模型還能夠預測概率，從而辨別預測類標簽的相對可信度。

安裝必備庫

本教程使用到的三個Python庫——streamlit， pandas 和 scikit-learn，可以通過pip install命令進行安裝。

安裝streamlit：

pip install streamlit

安裝pandas：

pip install pandas

安裝scikit-learn：

pip install -U scikit-learn

web應用程序代碼

現在就來一探究竟吧！我們要構建的應用程序只需不到50行代碼(確切地說是48行)，如果刪除空行和注釋(占12行)，就可以降至36行。

import streamlit as st import pandas as pd from sklearn import datasets from sklearn.ensemble importRandomForestClassifier st.write(""" # Simple Iris Flower Prediction App This app predicts the **Iris flower** type! """) st.sidebar.header('User InputParameters') defuser_input_features(): sepal_length = st.sidebar.slider('Sepal length', 4.3, 7.9, 5.4) sepal_width = st.sidebar.slider('Sepal width', 2.0, 4.4, 3.4) petal_length = st.sidebar.slider('Petal length', 1.0, 6.9, 1.3) petal_width = st.sidebar.slider('Petal width', 0.1, 2.5, 0.2) data = {'sepal_length': sepal_length, 'sepal_width': sepal_width, 'petal_length': petal_length, 'petal_width': petal_width} features = pd.DataFrame(data, index=[0]) return features df =user_input_features() st.subheader('User Inputparameters') st.write(df) iris = datasets.load_iris() X= iris.data Y= iris.target clf =RandomForestClassifier() clf.fit(X, Y) prediction = clf.predict(df) prediction_proba= clf.predict_proba(df) st.subheader('Class labels andtheir corresponding index number') st.write(iris.target_names) st.subheader('Prediction') st.write(iris.target_names[prediction]) #st.write(prediction) st.subheader('PredictionProbability') st.write(prediction_proba)

逐行解讀代碼

來看看每一行(或代碼塊)的作用：

導入庫

· 第1-4行：導入streamlit 和 pandas庫，分別稱為st和pd。具體來說，從scikitlearn庫中(sklearn)導入datasets軟件包，然后使用loader函數加載鳶尾花數據集(第30行)。最后將專門從sklearn.ensemble軟件包中導入RandomForestClassifier()函數。

側欄面板

· 第11行：通過使用st.sidebar.header()函數來添加側欄的標題文本。請注意，在st和header之間使用sidebar(所以是st.sidebar.header()函數)可以向streamlit庫傳達信息，把標題文本放在側欄面板中。

· 第13-23行：此處創建一個名為user_input_features()的自定義函數，該函數主要是將用戶輸入的參數進行整合(即4個花的特征，可以通過滑動條接受用戶指定的值)，并以數據幀的形式返回結果。

值得注意的是，每個輸入參數都將通過滑動按鈕接受用戶指定的值，如st.sidebar.slider(‘Sepal length’, 4.3, 7.9, 5.4)表示萼片長度。四個輸入參數中的首個參數對應于在滑動按鈕上方指定的標簽文本，在本例中為“萼片長度”，而接下來的兩個值對應于滑動條的最小值和最大值。最后，末尾輸入參數表示加載web應用程序時選擇的默認值，該值設置為5.4。

模型建立

· 第25行：如上所述，以數據幀形式整合的用戶輸入參數信息將分配到df變量中。

· 第30-38行：該代碼塊適用于實際模型構建階段。

第30行—從sklearn.datasets軟件包中加載鳶尾花數據集，并將其分配給iris變量；

第31行—創建X變量，包含iris.data中提供的4個花的特征(即萼片長度，萼片寬度，花瓣長度和花瓣寬度)；

第32行—創建Y變量，與iris.target中提供的鳶尾花類標簽相關；

第34行—將隨機森林分類器(特別是RandomForestClassifier()函數)分配給clf變量；

第35行—通過clf.fit()函數使用X和Y變量作為輸入參數來訓練模型。這本質上意味著通過使用4個花的特征(X)和類標簽(Y)訓練，來建立分類模型。

圖源：unsplash

主面板

· 第6-9行：使用st.write()函數輸出文本，在本示例中使用該函數，以標記格式輸出此應用程序的標題。使用#符號表示標題文本(第7行)，而后一行(第8行)提供應用程序的正常描述性文本。

· 第27-28行：第一部分將給出“User Input parameters”的子標題文本(使用st.subheader函數進行分配)。下一行將通過使用st.write()函數來顯示df數據幀的內容。

· 第40-41行：在主面板的第二部分中，輸出類標簽(即setosa、versicolor和virginica)及其相應索引號(即0、1和2)。

· 第43-44行：主面板的第三部分顯示的是預測類標簽。此處需要注意的是，prediction變量的內容(第45行)是預測的類索引號，如果要顯示類標簽(即setosa、versicolor和virginica)，則需在iris.target_names[prediction]的括號內使用prediction變量作為參數。

· 第47-48行：主面板的第四部分也就是最后一部分顯示了預測概率。該概率值能夠識別預測類標簽的相對可信度(概率值越高，該預測的可信度就越高)。