So stellen Sie Modelle für maschinelles Lernen mithilfe der Streamlit-Plattform bereit

Streamlit ist eine Open-Source-Python-Bibliothek zum schnellen Erstellen und Bereitstellen interaktiver Datenanwendungen. Es vereinfacht die Interaktion mit Data-Science-Bibliotheken wie Python, Pandas und Matplotlib und kann problemlos gängige Frameworks für maschinelles Lernen wie TensorFlow, PyTorch und Scikit-Learn integrieren. Entwickler können über Streamlit ganz einfach benutzerfreundliche Schnittstellen erstellen, um die Ergebnisse von Datenanalysen und Modellen für maschinelles Lernen anzuzeigen. Seine prägnante Syntax und das automatisierte Schnittstellenlayout machen die Erstellung von Datenanwendungen schneller und bequemer. Ohne dass komplexe Front-End-Entwicklungserfahrung erforderlich ist, können Entwickler mit Streamlit schnell interaktive und visuelle Anwendungen erstellen. Gleichzeitig bietet Streamlit auch eine Bereitstellungsfunktion, mit der Anwendungen problemlos in der Cloud oder auf lokalen Servern bereitgestellt werden können, sodass Benutzer schnell auf Anwendungen zugreifen und diese verwenden können.

Hier sind die einfachen Schritte zum Bereitstellen eines maschinellen Lernmodells mit Streamlit:

1. Installieren Sie Streamlit.

Installieren Sie Streamlit mit dem folgenden Befehl im Terminal:

```python

pip install streamlit

` ``

2. Schreiben Sie den Anwendungscode.

Erstellen Sie eine neue .py-Datei und schreiben Sie eine einfache Anwendung mit dem folgenden Code:

```Python

Streamlit als ST importieren. Pandas als PD importieren. Joblib importieren

#Machine-Learning-Modell laden

model=joblib.load('model.pkl')

#Bewerbungsseite erstellen

st.title('Machine-Learning-Modellvorhersage')

st.write('Bitte ausfüllen das folgende Formular. Machen Sie Vorhersagen:')

#Erstellen Sie ein Formular und sammeln Sie Benutzereingaben

age=st.number_input('Bitte geben Sie Ihr Alter ein:',min_value=0,max_value=120)

gender=st.selectbox( 'Bitte wählen Sie Ihr Geschlecht:',['Männlich','Weiblich'])

income=st.number_input('Bitte geben Sie Ihr Jahreseinkommen ein:',min_value=0,max_value=9999999)

#Benutzereingaben konvertieren in DataFrame-Format

data=pd.DataFrame({

'age':[age],

'gender':[gender],

'income':[income]

})

# Machen Sie Vorhersagen und Ergebnisse anzeigen

if st.button('prediction'):

prediction=model.predict(data)[0]

if Prediction==1:

st.write('Sie können dieses Produkt kaufen!' )

else:

st.write('Sie dürfen diesen Artikel nicht kaufen.')

```

In diesem Beispiel haben wir ein einfaches Formular erstellt, das Alter, Geschlecht und Umsatz des Benutzers sowie andere Informationen sammelt Verwenden Sie dann Modelle des maschinellen Lernens, um vorherzusagen, ob der Benutzer kaufen wird.

3. Speichern Sie das Modell für maschinelles Lernen.

Im obigen Code verwenden wir die Joblib-Bibliothek, um ein Modell für maschinelles Lernen mit dem Namen „model.pkl“ zu laden. Dieses Modell wird während des Trainings über die Scikit-Learn-Bibliothek trainiert und zur späteren Verwendung auf der Festplatte gespeichert. Wenn Sie noch kein trainiertes Modell haben, können Sie es mit Scikit-Learn oder anderen beliebten Bibliotheken für maschinelles Lernen trainieren und als PKL-Datei speichern.

4. Führen Sie die Anwendung aus.

Starten Sie die Anwendung, indem Sie den folgenden Befehl im Terminal ausführen:

````python

streamlit run app.py

```

Dadurch wird ein lokaler Webserver gestartet und Durchsuchen Öffnen Sie die Anwendung in Ihrem Browser. Sie können jetzt mithilfe von Formularen Vorhersagen treffen und die Ergebnisse in der App anzeigen.

5. Stellen Sie die Anwendung bereit

Wenn Sie die Anwendung in einer Produktionsumgebung bereitstellen möchten, können Sie die von verschiedenen Cloud-Plattformen bereitgestellten Dienste zum Hosten der Anwendung nutzen. Vor der Bereitstellung müssen Sie sicherstellen, dass Modell, Daten und Anwendungscode auf den Cloud-Server hochgeladen und bei Bedarf entsprechend konfiguriert wurden. Die Anwendung kann dann über den entsprechenden Befehl oder die entsprechende Schnittstelle auf der Cloud-Plattform bereitgestellt werden.

Kurz gesagt ist die Bereitstellung eines maschinellen Lernmodells mit Streamlit sehr einfach und erfordert nur wenige Codezeilen und einige grundlegende Konfigurationen. Es bietet eine schnelle und einfache Lösung zum Erstellen und Bereitstellen von Datenanwendungen, sodass sich Datenwissenschaftler und Entwickler auf die Erstellung aussagekräftigerer Datenanwendungen konzentrieren können.

Das obige ist der detaillierte Inhalt vonSo stellen Sie Modelle für maschinelles Lernen mithilfe der Streamlit-Plattform bereit. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!