Apprentissage automatique facile avec scikit-learn et flask ✕ Application Web

Apprentissage automatique et applications Web simples

J'ai créé une application de démonstration simple qui affiche le résultat à l'écran avec le modèle de jugement créé par l'apprentissage automatique pour l'entrée du site Web. Entrez la taille de l'éclat d'iris et des pétales (vertical, horizontal) pour déterminer et afficher la variété.

Le code est ici. https://github.com/shibuiwilliam/mlweb

Vue d'ensemble

C'est comme ça.

5.JPG

Il est composé d'un back-end qui détermine qu'il s'agit d'un front-end pour l'entrée de débris et de pétales et renvoie le résultat. C'est super simple. Le langage est Python 3.6, utilisant flask et wtform pour le Web et scicit-learn pour l'apprentissage automatique.

Comment utiliser

L'environnement de développement est CentOS 7.3 et Python 3.6. La bibliothèque comprend flask, wtform, scicit-learn et Jupyter Notebook. Cette zone est principalement introduite dans Anaconda3, mais flask et wtform sont pip installés. Veuillez cloner le code.


git clone https://github.com/shibuiwilliam/mlweb.git

Le site Web sera publié sur le port 5000. Il est nécessaire de configurer pour que le système d'exploitation et le réseau puissent accéder à 5000. (OS est selinux et firewalld)

Voici comment gérer le site Web.


nohup python web.py &

Le journal d'exécution est craché sur nohup.out. Si vous souhaitez afficher le journal de manière séquentielle, procédez comme suit:


tail -f nohup.out

Apprentissage automatique

Le modèle de jugement d'iris utilise la forêt aléatoire de scicit-learn et GridSearchCV.

Obtenez l'ensemble de données iris fourni par scikit-learn et créez les paramètres du modèle avec GridSearchCV avec les hyperparamètres de la forêt aléatoire.


# iris_train.ipynb


from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV, train_test_split
from sklearn.externals import joblib
import numpy as np

# use Iris dataset
data = load_iris()
x = data.data
y = data.target
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3, random_state=54321)

# run gridsearchcv on random forest classifier
forest = RandomForestClassifier()
param_grid = {
    'n_estimators'      : [5, 10, 20, 30, 50, 100, 300],
    'random_state'      : [0],
    'n_jobs'            : [1],
    'min_samples_split' : [3, 5, 10, 15, 20, 25, 30, 40, 50, 100],
    'max_depth'         : [3, 5, 10, 15, 20, 25, 30, 40, 50, 100]
}
forestGrid = GridSearchCV(forest, param_grid)
fgFit = forestGrid.fit(x_train, y_train)

Un modèle est créé en ajustant les paramètres de modèle créés dans une forêt aléatoire. Enregistrez le modèle sous forme de cornichon. Lorsqu'il est utilisé sur un site Web, appelez le modèle enregistré.


# set the best params to fit random forest classifier
forest.set_params(**fgFit.best_params_)
forest.fit(x, y)

# save the model as pickle
joblib.dump(forest, './rfcParam.pkl', compress=True)

# load the model
forest = joblib.load('./rfcParam.pkl')

# predict
t = np.array([5.1,  3.5,  1.4,  0.2])
t = t.reshape(1,-1)
print(forest.predict(t))

Site Internet

Le Web est fait avec flask et wtform. Tout d'abord, définissez les fonctions utilisées sur le Web (web.py).


# web.py

import numpy as np

#Enregistrez l'entrée en tant que journal dans csv.
def insert_csv(data):
    import csv
    import uuid
    tuid = str(uuid.uuid1())
    with open("./logs/"+tuid+".csv", "a") as f:
        writer = csv.writer(f, lineterminator='\n')
        writer.writerow(["sepalLength","sepalWidth","petalLength","petalWidth"])
        writer.writerow(data)
    return tuid

# scikit-Le jugement est fait à l'aide du modèle créé par learn.
def predictIris(params):
    from sklearn.externals import joblib
    # load the model
    forest = joblib.load('./rfcParam.pkl')
    # predict
    params = params.reshape(1,-1)
    pred = forest.predict(params)
    return pred

#Le jugement est 0,1,Puisqu'il est sorti en 2, il est converti en nom de variété d'iris.
def getIrisName(irisId):
    if irisId == 0: return "Iris Setosa"
    elif irisId == 1: return "Iris Versicolour"
    elif irisId == 2: return "Iris Virginica"
    else: return "Error"

Vous trouverez ci-dessous le code Python utilisant Web HTML et flask.

Le premier est le formulaire d'entrée (templates / irisPred.html).


<!doctype html>
<html>
   <body>

      <h2 style = "text-align: center;">Enter Iris Params</h2>

      {% for message in form.SepalLength.errors %}
         <div>{{ message }}</div>
      {% endfor %}

      {% for message in form.SepalWidth.errors %}
         <div>{{ message }}</div>
      {% endfor %}

      {% for message in form.PetalLength.errors %}
         <div>{{ message }}</div>
      {% endfor %}

      {% for message in form.PetalWidth.errors %}
         <div>{{ message }}</div>
      {% endfor %}

      <form action = "" method = post>
         <fieldset>
            <legend>Enter parameters here.</legend>

            <div style = font-size:20px; font-weight:bold; margin-left:150px;>
               {{ form.SepalLength.label }}<br>
               {{ form.SepalLength }}
               <br>
               {{ form.SepalWidth.label }}<br>
               {{ form.SepalWidth }}
               <br>
               {{ form.PetalLength.label }}<br>
               {{ form.PetalLength }}
               <br>
               {{ form.PetalWidth.label }}<br>
               {{ form.PetalWidth }}
               <br>
               {{ form.submit }}
            </div>

         </fieldset>
      </form>

   </body>
</html>

C'est l'écran (templates / success.html) qui affiche les résultats du jugement.


<!doctype html>
<title>Hello from Iris</title>
{% if irisName %}
  <h1>It is {{ irisName }}</h1>
{% else %}
  <h1>Hello from Iris</h1>
{% endif %}

Définition de formulaire Python (web.py).


# web.py

from flask import Flask, render_template, request, flash
from wtforms import Form, FloatField, SubmitField, validators, ValidationError

# App config.
DEBUG = True
app = Flask(__name__)
app.config.from_object(__name__)
app.config['SECRET_KEY'] = 'fda0e618-685c-11e7-bb40-fa163eb65161'

class IrisForm(Form):
    SepalLength = FloatField("Sepal Length in cm",
                     [validators.InputRequired("all parameters are required!"),
                     validators.NumberRange(min=0, max=10)])
    SepalWidth = FloatField("Sepal Width in cm",
                     [validators.InputRequired("all parameters are required!"),
                     validators.NumberRange(min=0, max=10)])
    PetalLength = FloatField("Petal Length in cm",
                     [validators.InputRequired("all parameters are required!"),
                     validators.NumberRange(min=0, max=10)])
    PetalWidth = FloatField("Petal Width in cm",
                     [validators.InputRequired("all parameters are required!"),
                     validators.NumberRange(min=0, max=10)])
    submit = SubmitField("Try")

@app.route('/irisPred', methods = ['GET', 'POST'])
def irisPred():
    form = IrisForm(request.form)
    if request.method == 'POST':
        if form.validate() == False:
            flash("You need all parameters")
            return render_template('irisPred.html', form = form)
        else:            
            SepalLength = float(request.form["SepalLength"])            
            SepalWidth = float(request.form["SepalWidth"])            
            PetalLength = float(request.form["PetalLength"])            
            PetalWidth = float(request.form["PetalWidth"])
            params = np.array([SepalLength, SepalWidth, PetalLength, PetalWidth])
            print(params)
            insert_csv(params)
            pred = predictIris(params)
            irisName = getIrisName(pred)

            return render_template('success.html', irisName=irisName)
    elif request.method == 'GET':
        return render_template('irisPred.html', form = form)

if __name__ == "__main__":
    app.debug = True
    app.run(host='0.0.0.0')

Image d'exécution

Entrez un nombre approprié (entre 0 et 10) dans le formulaire de saisie à l'écran et essayez.

1.JPG

Le nom de la variété d'iris déterminée s'affiche à l'écran.

2.JPG

Recherchez les erreurs de saisie.

4.JPG

Recommended Posts

Apprentissage automatique facile avec scikit-learn et flask ✕ Application Web
Application Web facile avec Python + Flask + Heroku
L'apprentissage automatique pratique avec Scikit-Learn et TensorFlow-TensorFlow a abandonné -
SVM essayant l'apprentissage automatique avec scikit-learn
Créez un environnement d'apprentissage automatique scikit-learn avec VirtualBox et Ubuntu
Créez une application Web simple avec Flask
[Note de lecture] Apprentissage automatique pratique avec Scikit-Learn, Keras et TensorFlow Chapitre 1
Scraping Web facile avec Python et Ruby
Diagnostic Machine Learning x Web App: reconnaissez CAPTCHA avec l'API Cloud Vision
[Python] Introduction facile à l'apprentissage automatique avec python (SVM)
Gagnez l'application Web Python + Flask avec Jenkins
Lancer un serveur Web avec Python et Flask
Apprentissage automatique x diagnostic d'application Web: Reconnaître CAPTCHA avec perceptron multicouche (édition Chainer)
Machine learning facile avec AutoAI (partie 4) Jupyter Notebook
Apprentissage automatique avec Raspberry Pi 4 et Coral USB Accelerator
[Apprentissage automatique] Comprendre la SVM à la fois à partir de scikit-learn et des mathématiques
Analyser et visualiser JSON (application Web ⑤ avec Python + Flask)
Créez une application Web typée avec le framework Web de Python «Fast API» et TypeScript / Open API - Pile technique pour les applications Web d'apprentissage automatique
L'apprentissage automatique appris avec Pokemon
Développement d'applications Web avec Flask
Apprentissage automatique avec Python! Préparation
Grattage Web facile avec Scrapy
Démineur d'apprentissage automatique avec PyTorch
Apprentissage automatique et optimisation mathématique
Application Web avec Python + Flask ② ③
Commencer avec l'apprentissage automatique Python
Essayez le machine learning à la légère avec Kaggle
Application Web avec Python + Flask ④
[Apprentissage automatique] Démarrez Spark avec iPython Notebook et essayez MLlib
Notes et manuels de référence lors de la création de services Web avec Flask
[Apprentissage automatique] Comprendre les arbres de décision de scikit-learn et des mathématiques
(Échec) Déployer une application Web créée avec Flask avec heroku
Apprentissage automatique pour apprendre avec Nogisaka 46 et Keyakizaka 46 Partie 1 Introduction
[Apprentissage automatique] Comprendre la régression logistique à partir de scikit-learn et des mathématiques
Comment dessiner de manière interactive un pipeline d'apprentissage automatique avec scikit-learn et l'enregistrer au format HTML
Segmentation d'image avec scikit-image et scikit-learn
[Apprentissage automatique] Essayez d'exécuter Spark MLlib avec Python et faites des recommandations
J'ai essayé l'apprentissage automatique avec liblinear
Apprentissage automatique par python (1) Classification générale
Exécutez l'application avec Flask + Heroku
Classification et régression dans l'apprentissage automatique
Application GUI facile avec Tkinter Text
Authentification de base, authentification Digest avec Flask
Organisez des plateformes d'apprentissage automatique et d'apprentissage en profondeur
[Apprentissage automatique] Comprendre la régression multiple linéaire à partir de scikit-learn et des mathématiques
"Processus Gauss et apprentissage automatique" Régression de processus Gauss implémentée uniquement avec Python numpy
Machine learning d'inspiration quantique avec des réseaux de tenseurs
Démarrez avec l'apprentissage automatique avec SageMaker
Mémo d'apprentissage "Scraping & Machine Learning avec Python"
Vulkan compute avec Python avec VkInline et pense à l'apprentissage automatique GPU et plus
Une histoire sur l'automatisation du mahjong en ligne (Jakutama) avec OpenCV et l'apprentissage automatique
[Mémo / Création] "Apprentissage automatique pratique avec Scikit-Learn et TensorFlow" Traduction en japonais
Stockage de table Azure avec l'application PTVS Flask
[Apprentissage automatique] OOB (Out-Of-Bag) et son ratio
scikit-learn Comment utiliser le résumé (apprentissage automatique)
Prévision du cours des actions à l'aide de l'apprentissage automatique (scikit-learn)
Prédire la demande de puissance avec l'apprentissage automatique, partie 2
Déployer l'application flask avec mod_wsgi (à l'aide de pipenv)