Пошаговое руководство
Развертывание модели машинного обучения в облаке
Здесь — это веб-сайт, для которого предоставляется пошаговое руководство.
Посетите этот веб-сайт (flask-deploy-github.herokuapp.com). Это веб-сайт, для которого предоставляется пошаговое руководство.
Постановка задачи. Разработайте модель машинного обучения для прогнозирования цены на жилье, а затем разверните ее в Интернете без вложений.
Необходимые инструменты:
IDE (блокнот spyder или jupyter)
Модель машинного обучения
Pickle Lib
Flask Lib
Учетная запись GitHub
Heroku Счет
IDE: загрузите anaconda, состоящую из Spyder и Jupyter Notebook. Для написания кода можно использовать любую IDE.
Pickle. Эта библиотека используется для сериализации и десериализации. Это означает, что обученная машина, использующая модель, может быть сохранена и может использоваться в некоторые другие моменты времени без необходимости повторного обучения модели. Просто мы можем использовать функцию прогнозирования для расчета выходных данных. Для установки pickle можно использовать следующую команду.
pip install pickle
Модель ML: загрузите набор данных о ценах на жилье с Kaggle или используйте ссылку эта. Примените подходящую разработку функций. Обработайте любые отсутствующие значения. Используйте алгоритм для прогнозирования цены дома. В моем репозитории я использовал линейную регрессию.
Примечание. В этой статье рассказывается, как развернуть модель в облаке. Эффективность модели можно изменить путем предварительной обработки данных и выбора более эффективных алгоритмов.
Сохраните модель сборки с помощью библиотеки pickle. Можно использовать следующую команду.
pickle.dump(regressor, open(‘model_house.pkl’,’wb’))
Это создаст файл .pkl, который действует как конечные точки для доступа к модели.
Flask. Flask — это API для разработки веб-приложений. Создайте файл app.py, в котором будет код фляги для взаимодействия с веб-сайтом. Загрузите созданную модель .pkl в app.py с помощью библиотеки pickle.
pickle.load(open('model_house.pkl', 'rb'))
Метод post в app.py используется для чтения значений с веб-сайта. Используйте команду прогнозирования для прогнозирования выходных данных модели перед построением.
model.predict(final_features)
Возвращает вывод на веб-сайт на странице index.html.
HTML-страница. Создайте страницу index.html. Который будет использоваться для ввода данных от пользователя. Кнопка, которая будет отправлять значения в файл app.py и вывод, будет отображаться на той же странице index.html в предоставленном поле.
Procfile: содержит команду для запуска Heroku при запуске. Не беспокойтесь об этом слишком сильно.
Requirements.txt: зафиксируйте требования с помощью приведенной ниже команды. Он замораживает все библиотеки, установленные в вашей виртуальной среде.
pip freeze > requiremeents.txt
Учетная запись GitHub: разверните следующие файлы в учетной записи GitHub путем загрузки или фиксации.
набор данных.csv
модель.py
house_mode.pkl
app.py
index.html
Procfile
требования.txt
Heroku (бесплатно): это бесплатная платформа с определенными ограничениями. Репозиторий на GitHub можно напрямую подключить к Heroku. Heroku предоставит домен, который можно использовать для доступа к веб-сайту.
Сведения о проекте:
Не стесняйтесь комментировать и аплодировать.
