整体思路

训练一个模型，把模型保存

写一个基于flask的web服务，在web运行时加载模型，并在对应的接口调用模型进行预测并返回

使用curl进行测试，测试通过

再创建一个html页面，接受参数输入，并返回。

目录结构

训练一个svm模型

#导入数据集模块
from sklearn import datasets
#分别加载iris和digits数据集
iris = datasets.load_iris()  #鸢尾花数据集
# print(dir(datasets))
# print(iris_dataset.keys())
# dict_keys(['data', 'target', 'frame', 'target_names', 'DESCR', 'feature_names', 'filename', 'data_module'])
from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test=train_test_split(iris.data,iris.target,test_size=0.4,random_state=0)
print("iris.data[0:5]:\n",iris.data[0:5])
print("iris.target[0:5]:\n",iris.target[0:5])
print("iris.data.shape:",iris.data.shape)
print("iris.target.shape:",iris.target.shape)
print("X_train.shape:",X_train.shape)
print("y_train.shape:",y_train.shape)
print("X_test.shape:",X_test.shape)
print("y_test.shape:",y_test.shape)
# 第二步使用sklearn模型的选择
from sklearn import svm
svc = svm.SVC(gamma='auto')
#第三步使用sklearn模型的训练
svc.fit(X_train, y_train)
# 第四步使用sklearn进行模型预测
print(svc.predict([[5.84,4.4,6.9,2.5]]))
#第五步机器学习评测的指标
#机器学习库sklearn中，我们使用metrics方法实现：
import numpy as np
from sklearn.metrics import accuracy_score
print("y_test:\n",y_test)
y_pred = svc.predict(X_test)
print("y_pred:\n",y_pred)
print(accuracy_score(y_test, y_pred))
#第五步机器学习评测方法：交叉验证 (Cross validation)
#机器学习库sklearn中，我们使用cross_val_score方法实现：
from sklearn.model_selection import cross_val_score
scores = cross_val_score(svc, iris.data, iris.target, cv=5)
print(scores)
#第六步机器学习:模型的保存
#机器学习库sklearn中，我们使用joblib方法实现：
# from sklearn.externals import joblib
import joblib
joblib.dump(svc, 'filename.pkl') 
svc1 = joblib.load('filename.pkl') 
#测试读取后的Model
print(svc1.score(X_test, y_test))

运行如下：

iris.data[0:5]:

[[5.1 3.5 1.4 0.2]

[4.9 3. 1.4 0.2]

[4.7 3.2 1.3 0.2]

[4.6 3.1 1.5 0.2]

[5. 3.6 1.4 0.2]]

iris.target[0:5]:

[0 0 0 0 0]

iris.data.shape: (150, 4)

iris.target.shape: (150,)

X_train.shape: (90, 4)

y_train.shape: (90,)

X_test.shape: (60, 4)

y_test.shape: (60,)

[2]

y_test:

[2 1 0 2 0 2 0 1 1 1 2 1 1 1 1 0 1 1 0 0 2 1 0 0 2 0 0 1 1 0 2 1 0 2 2 1 0

1 1 1 2 0 2 0 0 1 2 2 2 2 1 2 1 1 2 2 2 2 1 2]

y_pred:

[2 1 0 2 0 2 0 1 1 1 2 1 1 1 1 0 1 1 0 0 2 1 0 0 1 0 0 1 1 0 2 1 0 2 2 1 0

2 1 1 2 0 2 0 0 1 2 2 2 2 1 2 1 1 2 2 1 2 1 2]

0.95

[0.96666667 1. 0.96666667 0.96666667 1. ]

0.95

此时已经生成好了filename.pkl模型文件

写一个appweb.py

import json
from flask import Flask, jsonify, render_template,request
app = Flask(__name__)
# 运行时，先加载文件
from sklearn import svm
import joblib
svc1 = joblib.load('filename.pkl') 
print(svc1.predict([[5.84,4.4,6.9,2.5]]))
# 访问 127.0.0.1:5000/test 返回 index1.html
@app.route("/test")
def my_echart():
    return render_template("index.html")
app.config['JSON_AS_ASCII'] = False
 
# 随便定义个json字典
dic={}
@app.route('/jsonify',methods=["GET","POST"])
def jsonifys():
    print("============787878787==================")
    print(request)
    param1 = request.json.get("content1")
    param2 = request.json.get("content2")
    param3 = request.json.get("content3")
    param4 = request.json.get("content4")
    print("param1, param2, param3, param4",param1, param2, param3, param4)
    dic['result']=svc1.predict([[param1, param2, param3, param4]]).tolist()
    print("resutlt",dic)
    return jsonify(dic)
# app.run(host, port, debug, options)
app.run("127.0.0.1",5000,debug=True,)

输出为：

curl在线测试

curl -X POST http://127.0.0.1:5000/jsonify -H "Content-Type: application/json" \
  -d "{\"content1\":\"5.1\",\"content2\":\"3.5\",\"content3\":\"1.4\",\"content4\":\"0.2\"}"

输出为：

curl -X POST http://127.0.0.1:5000/jsonify -H "Content-Type: application/json" \
  -d "{\"content1\":\"5.7\",\"content2\":\"2.8\",\"content3\":\"4.5\",\"content4\":\"1.3\"}"

输出为：

curl -X POST http://127.0.0.1:5000/jsonify -H "Content-Type: application/json" \
  -d "{\"content1\":\"6.7\",\"content2\":\"3\",\"content3\":\"5.2\",\"content4\":\"2.3\"}"

输出为：

创建一个index.html

index.html位于templates下

输入数据




发送数据
结果显示
 

运行测试

输入

http://127.0.0.1:5000/test

返回indexl.html页面

输入如下测试用例

0类别

[[5.1 3.5 1.4 0.2]

[4.9 3. 1.4 0.2]

[4.7 3.2 1.3 0.2]

[4.6 3.1 1.5 0.2]

[5. 3.6 1.4 0.2]]

1类别

[[5.7 2.8 4.5 1.3]

[6.3 3.3 4.7 1.6]

[4.9 2.4 3.3 1. ]

[6.6 2.9 4.6 1.3]

[5.2 2.7 3.9 1.4]]

2类别

[[6.7 3. 5.2 2.3]

[6.3 2.5 5. 1.9]

[6.5 3. 5.2 2. ]

[6.2 3.4 5.4 2.3]

[5.9 3. 5.1 1.8]]

参考

机器学习——Java调用sklearn生成好的Logistic模型进行鸢尾花的预测

sklearn模型简介可以快速了解