flask+机器模型本地部署+iris数据集

夺笋123

已于 2022-11-27 18:47:58 修改

阅读量393

点赞数

分类专栏： # python编程练习实例文章标签： flask python

于 2022-11-27 18:30:48 首次发布

本文链接：https://blog.youkuaiyun.com/m0_54510474/article/details/128067577

版权

python编程练习实例专栏收录该内容

7 篇文章

订阅专栏

该博客介绍了鸢尾花数据集的机器学习模型构建过程，使用K近邻算法进行训练，并实现模型的保存。接着，通过Flask搭建web应用，接收用户输入，进行预测并显示结果。案例简单明了，适合初学者理解模型部署的基本流程，为进一步的模型优化和复杂应用打下基础。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

目录结构

在这里插入图片描述

模型准备

加载数据集

from sklearn.datasets import load_iris
x,y=load_iris(return_X_y=True,as_frame=True)
x.shape,y.shape
>>> ((150, 4), (150,))

数据查看

查看原始数据
在这里插入图片描述原始数据的数值统计

查看是否有空值

查看数据分布
在这里插入图片描述

数据分割

from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.2)
x_train.shape,y_train.shape,x_test.shape,y_test.shape
>>> ((120, 4), (120,), (30, 4), (30,))

模型构建与数据拟合

from sklearn.neighbors import KNeighborsClassifier
model1=KNeighborsClassifier()
model1.fit(x_train,y_train)
model1.score(x_test,y_test)
>>> 0.9666666666666667

模型保存

import pickle
path=r'savemodel.sav'
pickle.dump(model,open(path,'wb'))

web架构文件（app.py）

from flask import Flask, render_template, request
import pickle

app = Flask(__name__)
model = pickle.load(open('savemodel.sav', 'rb'))


@app.route('/')
def home():
    result = ''
    return render_template('index.html', **locals())


@app.route('/predict', methods=['POST', 'GET'])
def predict():
    s_length = float(request.form['s_length'])
    s_width = float(request.form['s_width'])
    p_length = float(request.form['p_length'])
    p_width = float(request.form['p_width'])
    result = model.predict([[s_length, s_width, p_length, p_width]])[0]
    return render_template('index.html', **locals())

if __name__ == '__main__':
    app.run(debug=True, host='127.0.0.1', port=9090)

locals()函数

以字典类型返回当前位置的全部局部变量。

def fun(a,b):
	c=1
	print(locals())
fun(22,33)
>>> {'a': 22, 'b': 33, 'c': 1}

网页文件（index.html）

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>Title</title>
</head>
<body>
<form action="/predict" method="POST">
    s_length:<input type="text" name="s_length"/><br>
    s_width:<input type="text" name="s_width"/><br>
    p_length:<input type="text" name="p_length"/><br>
    p_width:<input type="text" name="p_width"/><br>
    class:{{result}}<br>
    <input type="submit" value="predict"/>
</form>
</body>
</html>