Comment déployer des modèles d'apprentissage automatique à l'aide de la plateforme Streamlit

Streamlit est une bibliothèque Python open source permettant de créer et de déployer rapidement des applications de données interactives. Il simplifie l'interaction avec les bibliothèques de science des données telles que Python, Pandas et Matplotlib, et peut facilement intégrer des frameworks d'apprentissage automatique courants tels que TensorFlow, PyTorch et Scikit-Learn. Les développeurs peuvent facilement créer des interfaces conviviales pour afficher les résultats de l'analyse des données et des modèles d'apprentissage automatique via Streamlit. Sa syntaxe concise et la disposition automatisée de son interface rendent la création d'applications de données plus rapide et plus pratique. Sans avoir besoin d'une expérience de développement front-end complexe, les développeurs peuvent utiliser Streamlit pour créer rapidement des applications interactives et visuelles. Dans le même temps, Streamlit fournit également une fonction de déploiement, qui permet de déployer facilement des applications sur le cloud ou sur des serveurs locaux, afin que les applications puissent être rapidement accessibles et utilisées par les utilisateurs.

Voici les étapes simples pour déployer un modèle d'apprentissage automatique à l'aide de Streamlit :

1 Installez Streamlit

Installez Streamlit à l'aide de la commande suivante dans le terminal :

```python

pip install streamlit

`. ``

2. Écrivez le code de l'application

Créez un nouveau fichier .py et écrivez une application simple en utilisant le code suivant :

```python

import streamlit as st

import pandas as pd

import joblib

#Charger le modèle d'apprentissage automatique

model=joblib.load('model.pkl')

#Créer une page d'application

st.title('Prédiction du modèle d'apprentissage automatique')

st.write('Veuillez remplir le formulaire suivant Faites des prédictions :')

#Créez un formulaire et collectez les entrées des utilisateurs

age=st.number_input('Veuillez entrer votre âge :',min_value=0,max_value=120)

gender=st.selectbox( 'Veuillez sélectionner votre sexe :',['Homme','Femme'])

Income=st.number_input('Veuillez saisir votre revenu annuel :',min_value=0,max_value=9999999)

#Convertir l'entrée de l'utilisateur en Format DataFrame

data=pd.DataFrame({

'age':[age],

'gender':[gender],

' Income':[ Income]

})

# Faites des prédictions et Afficher les résultats

if st.button('prediction'):

prediction=model.predict(data)[0]

if prédiction==1:

st.write('Vous pouvez acheter ce produit !' )

else:

st.write('You may not buy this item.')

```

Dans cet exemple, nous avons créé un formulaire simple qui collecte l'âge, le sexe, les revenus et d'autres informations de l'utilisateur, et utilisez ensuite des modèles d'apprentissage automatique pour prédire si l'utilisateur achètera.

3. Enregistrez le modèle d'apprentissage automatique

Dans le code ci-dessus, nous utilisons la bibliothèque joblib pour charger un modèle d'apprentissage automatique nommé "model.pkl". Ce modèle est formé via la bibliothèque Scikit-Learn pendant la formation et enregistré sur disque pour une utilisation ultérieure. Si vous n'avez pas encore de modèle entraîné, vous pouvez l'entraîner à l'aide de Scikit-Learn ou d'autres bibliothèques d'apprentissage automatique populaires et l'enregistrer sous forme de fichier pkl.

4. Exécutez l'application

Démarrez l'application en exécutant la commande suivante dans le terminal :

````python

streamlit run app.py

```

Cela démarrera un serveur Web local et parcourir Ouvrez l'application dans votre navigateur. Vous pouvez désormais faire des prédictions à l'aide de formulaires et afficher les résultats dans l'application.

5. Déployer l'application

Si vous souhaitez déployer l'application dans un environnement de production, vous pouvez utiliser les services fournis par différentes plateformes cloud pour héberger l'application. Avant le déploiement, vous devez vous assurer que le modèle, les données et le code de l'application ont été téléchargés sur le serveur cloud et configurés en conséquence selon les besoins. L'application peut ensuite être déployée sur la plateforme cloud à l'aide de la commande ou de l'interface correspondante.

En bref, déployer un modèle de machine learning à l'aide de Streamlit est très simple et ne nécessite que quelques lignes de code et une configuration de base. Il fournit une solution simple et rapide pour créer et déployer des applications de données, permettant aux scientifiques et aux développeurs de données de se concentrer sur la création d'applications de données plus significatives.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!