Streamlit: Tongkat Ajaib untuk Penciptaan Apl ML

Streamlit ialah rangka kerja sumber terbuka yang berkuasa yang membolehkan anda mencipta aplikasi web untuk sains data dan pembelajaran mesin dengan hanya beberapa baris kod Python.

Ia mudah, intuitif dan tidak memerlukan pengalaman bahagian hadapan, menjadikannya alat yang hebat untuk pemula dan pembangun berpengalaman yang ingin menggunakan model pembelajaran mesin dengan cepat.

Dalam blog ini, saya akan membimbing anda melalui proses langkah demi langkah untuk membina apl Streamlit asas dan projek pembelajaran mesin menggunakan set data Iris dengan RandomForestClassifier .

Bermula dengan Streamlit

Sebelum kita memasuki projek, mari kita lihat beberapa fungsi Streamlit asas untuk selesa dengan rangka kerja. Anda boleh memasang Streamlit menggunakan arahan berikut:

pip install streamlit

Setelah dipasang, anda boleh memulakan apl Streamlit pertama anda dengan mencipta fail Python, sebut app.py dan jalankannya menggunakan:

streamlit run app.py

Sekarang, mari kita terokai ciri teras Streamlit:

1. Menulis Tajuk dan Memaparkan Teks

import streamlit as st

# Writing a title
st.title("Hello World")

# Display simple text
st.write("Displaying a simple text")

2. Memaparkan DataFrames

import pandas as pd

# Creating a DataFrame
df = pd.DataFrame({
    "first column": [1, 2, 3, 4],
    "second column": [5, 6, 7, 8]
})

# Display the DataFrame
st.write("Displaying a DataFrame")
st.write(df)

3. Menggambarkan Data dengan Carta

import numpy as np

# Generating random data
chart_data = pd.DataFrame(
    np.random.randn(20, 4), columns=['a', 'b', 'c', 'd']
)

# Display the line chart
st.line_chart(chart_data)

4. Interaksi Pengguna: Input Teks, Peluncur dan Kotak Pilihan
Streamlit mendayakan widget interaktif seperti input teks, peluncur dan kotak pilihan yang mengemas kini secara dinamik berdasarkan input pengguna.

# Text input
name = st.text_input("Your Name Is:")
if name:
    st.write(f'Hello, {name}')

# Slider
age = st.slider("Select Your Age:", 0, 100, 25)
if age:
    st.write(f'Your Age Is: {age}')

# Select Box
choices = ["Python", "Java", "Javascript"]
lang = st.selectbox('Favorite Programming Language', choices)
if lang:
    st.write(f'Favorite Programming Language is {lang}')

5. Muat Naik Fail
Anda boleh membenarkan pengguna memuat naik fail dan memaparkan kandungan mereka secara dinamik dalam apl Streamlit anda:

# File uploader for CSV files
file = st.file_uploader('Choose a CSV file', 'csv')

if file:
    data = pd.read_csv(file)
    st.write(data)

Membina Projek Pembelajaran Mesin dengan Streamlit

Sekarang anda sudah biasa dengan asas-asasnya, mari kita selami membuat projek pembelajaran mesin. Kami akan menggunakan dataset Iris yang terkenal dan membina klasifikasi mudah model menggunakan RandomForestClassifier daripada scikit-learn.

Struktur Projek :

• Muatkan set data.
• Latih RandomForestClassifier.
• Benarkan pengguna memasukkan ciri menggunakan peluncur.
• Ramalkan spesies berdasarkan ciri input.

1. Pasang kebergantungan yang diperlukan
Mula-mula, mari pasang perpustakaan yang diperlukan:

pip install streamlit scikit-learn numpy pandas

2. Import Perpustakaan dan Muatkan Data
Mari import perpustakaan yang diperlukan dan muatkan set data Iris:

import streamlit as st
import pandas as pd
from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier

# Cache data for efficient loading
@st.cache_data
def load_data():
    iris = load_iris()
    df = pd.DataFrame(iris.data, columns=iris.feature_names)
    df["species"] = iris.target
    return df, iris.target_names

df, target_name = load_data()

3. Latih Model Pembelajaran Mesin
Setelah kami mempunyai data, kami akan melatih RandomForestClassifier untuk meramalkan spesies bunga berdasarkan cirinya:

# Train RandomForestClassifier
model = RandomForestClassifier()
model.fit(df.iloc[:, :-1], df["species"])

4. Mencipta Antara Muka Input
Sekarang, kami akan membuat peluncur dalam bar sisi untuk membolehkan pengguna memasukkan ciri untuk membuat ramalan:

# Sidebar for user input
st.sidebar.title("Input Features")
sepal_length = st.sidebar.slider("Sepal length", float(df['sepal length (cm)'].min()), float(df['sepal length (cm)'].max()))
sepal_width = st.sidebar.slider("Sepal width", float(df['sepal width (cm)'].min()), float(df['sepal width (cm)'].max()))
petal_length = st.sidebar.slider("Petal length", float(df['petal length (cm)'].min()), float(df['petal length (cm)'].max()))
petal_width = st.sidebar.slider("Petal width", float(df['petal width (cm)'].min()), float(df['petal width (cm)'].max()))

5. Meramalkan Spesies
Selepas mendapat input pengguna, kami akan membuat ramalan menggunakan model terlatih:

# Prepare the input data
input_data = [[sepal_length, sepal_width, petal_length, petal_width]]

# Prediction
prediction = model.predict(input_data)
prediction_species = target_name[prediction[0]]

# Display the prediction
st.write("Prediction:")
st.write(f'Predicted species is {prediction_species}')

Ini akan kelihatan seperti:

Akhir sekali,Streamlit menjadikannya sangat mudah untuk mencipta dan menggunakan antara muka web pembelajaran mesin dengan usaha yang minimum. ? Hanya dalam beberapa baris kod, kami membina apl interaktif ? yang membolehkan pengguna memasukkan ciri dan meramalkan spesies bunga ? menggunakan model pembelajaran mesin. ??

Selamat pengekodan! ?

Atas ialah kandungan terperinci Streamlit: Tongkat Ajaib untuk Penciptaan Apl ML. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!