时间戳

首页 > 解决方案 > Flask Web 应用程序中的机器学习模型错误

machine-learning - Flask Web 应用程序中的机器学习模型错误

问题描述

我已经创建了用于心脏病预测的机器学习模型，现在我想使用 FLASK 在我的 Web 应用程序中进行部署。从 Kaggle 获得的数据集。每当我运行应用程序时，我的代码在执行时都会出现一些问题，它会说：

C:\Users\Surface\Desktop\Flask_app>python app.py                                                                          File "app.py", line 42                                                                                                   
 x_data = request.form['x_data']                                                                                                                                 
                              ^                                                                             
IndentationError: unindent does not match any outer indentation level

谁能指导我谢谢你:) 

from flask import Flask,render_template,url_for,request
import numpy as np
import pandas as pd
import pickle
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.externals import joblib

app = Flask(__name__)
@app.route('/')
def home():
    return render_template('home.html')

@app.route('/predict',method=['POST'])
def predict():
    df = pd.read_csv("heart.csv")
    df = df.drop(columns = ['cp', 'thal', 'slope'])

#features and labels
    y = df.target.values
    x_data = df.drop(['target'], axis = 1)

#EXTRACT Features
    x = (x_data - np.min(x_data)) / (np.max(x_data) - np.min(x_data)).values
    x_train, x_test, y_train, y_test = train_test_split(x,y,test_size = 0.2,random_state=0)

# Random Forest Classification
    from sklearn.ensemble import RandomForestClassifier
    rf = RandomForestClassifier(n_estimators = 1000, random_state = 1)
    rf.fit(x_train.T, y_train.T)
    print("Random Forest Algorithm Accuracy Score : {:.2f}%".format(rf.score(x_test.T,y_test.T)*100))


#persist model in a standard format
    from sklearn.externals import joblib
    joblib.dump(rf, 'HAP_model.pkl')
    HAP_model = open('HAP_model.pkl','rb')
    rf = joblib.load(HAP_model)

    if request.method=='POST':
        x_data = request.form['x_data']
    data = [df.drop(['target'], axis = 1)]
    vect = rf.transform(data).toarray()
    my_prediction = rf.predict(vect)
    return render_template('result.html',prediction = my_prediction)


    if __name__ == '__main__':
    app.run(debug=True)

标签： machine-learningflaskmodel

解决方案

将改善您的预测延迟的一件事是将您的训练代码从导入hearts.csv 转移到将模型保存为预测路径之外的pickle。这样，当有新请求进来时，您不必重新训练模型，这应该会改善您的延迟。

另一种解决方案是使用 BentoML ( https://github.com/bentoml/bentoml )，这是一个用于服务和部署 ML 模型的开源框架。它为您生成了一个 REST API 服务器，而无需编写您自己的烧瓶应用程序。

这是 BentoML 的 scikit-learn 示例：https ://colab.research.google.com/github/bentoml/gallery/blob/master/scikit-learn/sentiment-analysis/sklearn-sentiment-analysis.ipynb 。

推荐阅读