機械学習モデルの導入が不安ですか?ここにステップバイステップのチュートリアルがあります

[[283211]]

Unsplash の Franck V による写真

この記事はLeiphone.comから転載したものです。転載する場合は、Leiphone.com公式サイトにアクセスして許可を申請してください。

この記事を読めば、希望するプログラミング言語で機械学習モデルを展開し、予測を行うことができるようになります。はい、Python を使い続けることも、Java または Kotlin を介して Android アプリで直接予測を行うこともできます。あるいは、Web アプリケーションでモデルを直接使用することもできます。選択肢は数多くあります。簡単にするために、Postman を使用します。

ただし、オプションが非常に多いため、このモデルをライブ サーバーに配置する方法については説明しません。モデルはローカルホスト上で実行されるため、別のネットワークからはアクセスできません (ただし、モデルを AWS などにデプロイする方法については、Google で検索してください)。

次のようなディレクトリ構造を作成しました。

ML 展開:

• モデル/Train.py

• アプリ.py

Anaconda 経由で Python をインストールした場合は、Flask を除くすべてのライブラリが事前にインストールされている可能性があります。したがって、ターミナルを起動して次のステートメントを実行します。

 pip で Flask をインストールする
pip で Flask-RESTful をインストールします

順調に進んでいますか？よし、それでは本題に入りましょう。

基本的な予測スクリプトの作成

ディレクトリ構造に従っている場合は、model/Train.py ファイルが開いているはずです。まず、アイリス データセットを読み込み、単純な決定木分類器を使用してモデルをトレーニングします。トレーニングが完了したら、joblib ライブラリを使用してモデルを保存し、精度スコアをユーザーに報告します。

ここでは何も複雑なことはありません。この記事の焦点は機械学習ではなく、単にモデルの展開だからです。スクリプト全体は次のとおりです。

 sklearnからデータセットをインポートする
sklearn.tree からDecisionTreeClassifierをインポートします
sklearn.model_selection からtrain_test_splitをインポートします
sklearn.metricsからaccuracy_scoreをインポートする
sklearn.externalsからjoblibをインポートする
 
 def train_model():
   iris_df = データセット.load_iris() 
 
   x = iris_df.データ
   y = iris_df.target 
 
   X_train、X_test、y_train、y_test = train_test_split(x、y、test_size= 0.25 )
   dt = DecisionTreeClassifier().fit(X_train, y_train)
   予測 = dt.predict(X_test) 
 
   精度 = 精度スコア(y_test, preds)
   joblib.dump(dt, 'iris-model.model' )を実行します。
   print( 'モデルのトレーニングが完了しました。\n\t取得された精度: {}' .format(accuracy))

展開する

これで、app.py ファイルを開いてインポートを行うことができます。 OS モジュール (Flask と Flask RESTful の一部、10 秒前に作成したモデル トレーニング スクリプト) が必要であり、それらおよび joblib をトレーニング モデルに読み込む必要があります。

インポートOS
 FlaskからFlaskをインポートし、jsonify、リクエスト
flask_restfulからApi、リソースをインポート
model.Train からtrain_modelをインポート
sklearn.externalsからjoblibをインポートする

ここで、Flask のインスタンスと Flask RESTful からの API を作成する必要があります。何も複雑なことはありません:

アプリ = Flask(__name__)
 api = Api(アプリ)

次に行うことは、モデルがトレーニングされたかどうかを確認することです。 Train.py では、モデルが iris-model.model ファイルに保存され、そのファイルが存在しない場合は、まずモデルをトレーニングする必要があることを指定しています。トレーニングが完了したら、joblib を通じてロードできます。

 os.path.isfile( 'iris-model.model' ) でない場合:
   モデルのトレーニング() 
 
モデル = joblib.load( 'iris-model.model' )

ここで、予測を行うためのクラスを宣言する必要があります。 Flask RESTful はこのコーディング規則を使用するため、クラスは Flask RESTful リソース モジュールから継承する必要があります。クラスでは、get()、post()、またはデータを処理するその他のメソッドを宣言できます。

データが URL を介して直接渡されないように、 post() を使用します。ユーザー入力から属性を取得する必要があります（ユーザーが入力した属性値に基づいて予測を行います）。次に、読み込んだモデルの .predict() 関数を呼び出すことができます。このデータセットのターゲット変数の形式が ('Iris-setosa', 'Iris versicolor', 'Iris virginica') ではなく (0, 1, 2) であるため、これも修正する必要があります。最後に、予測の JSON 表現を返すことができます。

クラスMakePrediction(リソース):
 @静的メソッド 
   デフポスト():
       投稿データ = request.get_json()
       sepal_length = posted_data[ 'sepal_length' ]
       sepal_width = posted_data[ 'sepal_width' ]
       petal_length = posted_data[ 'petal_length' ]
       petal_width = posted_data[ 'petal_width' ]は、投稿されたデータです。 
 
       予測 = model.predict([[がく片の長さ, がく片の幅, 花弁の長さ, 花弁の幅]])[ 0 ]
予測 == 0の場合:
           予測クラス = 'Iris-setosa'  
       elif予測 == 1 :
           予測クラス = 'アイリス-versicolor'  
それ以外：
           予測クラス = 'Iris-virginica'   
 
 jsonifyを返す({
 「予測」 : 予測クラス
       })

もうすぐ到着です。そのまま進みましょう!また、リクエストを処理するために使用される URL の部分であるルートを宣言する必要があります。

 api.add_resource(予測を行う, '/predict' )

最後に、Python にアプリケーションをデバッグ モードで実行するように指示します。

 __name__ == '__main__'の場合:
   app.run(デバッグ=True)を実行します。

それは正しいことだ。 Postman やその他のツールを使用してモデルを起動し、予測を行うことができます。

何か見逃した場合に備えて、app.py ファイル全体を参考として示します。

インポートOS
 FlaskからFlaskをインポートし、jsonify、リクエスト
flask_restfulからApi、リソースをインポート
model.Train からtrain_modelをインポート
sklearn.externalsからjoblibをインポートする
 
アプリ = Flask(__name__)
 api = Api(アプリ) 
 
 os.path.isfile( 'iris-model.model' ) でない場合:
   モデルのトレーニング() 
 
モデル = joblib.load( 'iris-model.model' ) 
 
クラスMakePrediction(リソース):
 @静的メソッド 
   デフポスト():
       投稿データ = request.get_json()
       sepal_length = posted_data[ 'sepal_length' ]
       sepal_width = posted_data[ 'sepal_width' ]
       petal_length = posted_data[ 'petal_length' ]
       petal_width = posted_data[ 'petal_width' ]は、投稿されたデータです。 
 
       予測 = model.predict([[がく片の長さ, がく片の幅, 花弁の長さ, 花弁の幅]])[ 0 ]
予測 == 0の場合:
           予測クラス = 'Iris-setosa'  
       elif予測 == 1 :
           予測クラス = 'アイリス-versicolor'  
それ以外：
           予測クラス = 'Iris-virginica'   
 
 jsonifyを返す({
 「予測」 : 予測クラス
       }) 
 
 api.add_resource(予測を行う, '/predict' ) 
 
 __name__ == '__main__'の場合:
   app.run(デバッグ=True)を実行します。

さて、準備はいいですか？

良い！ルート ディレクトリ (app.py がある場所) に移動し、ターミナルを起動して以下を実行します。

 Python アプリ.py

約 1 秒後、アプリケーションがローカルホスト上で実行されていることを示す出力が表示されます。

ここで、Postman を開いて次の操作を行います。

• メソッドをPOSTに変更する

• URLとしてlocalhost:5000/predictと入力します

• 本文タブでJSONを選択します

• 予測を行うためにJSONを入力します

次に、[送信] をクリックします。

見て！ほぼすぐにモデルからの予測が得られます。

最後に

この記事を最後まで読んでいただければ幸いです。すべてをコピーして貼り付けるだけであれば、必要なライブラリがすべてインストールされている限り、問題なく実行できるはずです。

新しく得た知識を、独自のデータセットやビジネス上の問題に活用することを強くお勧めします。 Python 以外の言語でアプリケーションを作成し、データと機械学習関連のものにのみ Python を使用する場合に便利です。

出典: http://t.cn/AirsMxVF