Streamlit プラットフォームを使用して機械学習モデルをデプロイする方法

Streamlit は、対話型データ アプリケーションを迅速に構築および展開するためのオープンソース Python ライブラリです。 Python、Pandas、Matplotlib などのデータ サイエンス ライブラリとのやり取りが簡素化され、TensorFlow、PyTorch、Scikit-Learn などの一般的な機械学習フレームワークを簡単に統合できます。開発者は、Streamlit を通じて、データ分析や機械学習モデルの結果を表示するためのユーザーフレンドリーなインターフェイスを簡単に作成できます。その簡潔な構文と自動化されたインターフェイス レイアウトにより、データ アプリケーションの構築がより速く、より便利になります。複雑なフロントエンド開発経験を必要とせず、開発者は Streamlit を使用してインタラクティブでビジュアルなアプリケーションを迅速に構築できます。同時に、Streamlit はアプリケーションをクラウドまたはローカル サーバーに簡単にデプロイできるデプロイメント機能も提供し、ユーザーがアプリケーションに迅速にアクセスして使用できるようにします。

Streamlit を使用して機械学習モデルをデプロイする簡単な手順は次のとおりです:

1. Streamlit のインストール

ターミナルで次のコマンドを使用して Streamlit をインストールします:

```python

pip install streamlit

```

2.アプリケーション コードを記述します

新しい .py ファイルを作成しますそして、次のコードを使用して簡単なアプリケーションを作成します:

```python

import streamlit as st

import pandas as pd

import joblib

#機械学習モデルの読み込み

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

#アプリケーション ページの作成

st.title('Machine学習モデルの予測')

st.write('予測を行うには次のフォームに記入してください:')

#フォームを作成してユーザー入力を収集します

年齢=st.number_input('年齢を入力してください:',min_value=0,max_value=120)

gender=st.selectbox('性別を選択してください:',['男性','女性'] )

income=st.number_input('年収を入力してください:',min_value=0,max_value=9999999)

##data =pd.DataFrame({

'年齢':[年齢],

'性別':[性別],

'収入':[収入]

})

#予測を行って結果を表示する

if st.button('prediction'):

prediction=model.predict(data)[0]

if予測==1:

st.write('この製品を購入できます!')

else:

st.write('この商品は購入できないかもしれません。')

```

この例では、ユーザーの年齢、性別、収入などを収集する単純なフォームを作成します。機械学習モデルを使用して、ユーザーが購入するかどうかを予測します。

3. 機械学習モデルを保存する

上記のコードでは、joblib ライブラリを使用して、「model.pkl」という名前の機械学習モデルを読み込みます。このモデルは、トレーニング中に Scikit-Learn ライブラリを介してトレーニングされ、後で使用できるようにディスクに保存されます。トレーニングされたモデルをまだ持っていない場合は、Scikit-Learn またはその他の一般的な機械学習ライブラリを使用してモデルをトレーニングし、pkl ファイルとして保存できます。

4. アプリケーションを実行します

ターミナルで次のコマンドを実行してアプリケーションを開始します:

```python

streamlit run app.py

```

これにより、ローカル Web サーバーが起動し、ブラウザでアプリケーションが開きます。フォームを使用して予測を行い、アプリで結果を表示できるようになりました。

5. アプリケーションをデプロイする

アプリケーションを実稼働環境にデプロイする場合は、さまざまなクラウド プラットフォームが提供するサービスを使用してアプリケーションをホストできます。導入前に、モデル、データ、アプリケーション コードがクラウド サーバーにアップロードされ、必要に応じて構成されていることを確認する必要があります。その後、対応するコマンドまたはインターフェイスを使用して、アプリケーションをクラウド プラットフォームにデプロイできます。

つまり、Streamlit を使用した機械学習モデルのデプロイは非常に簡単で、数行のコードといくつかの基本的な構成のみが必要です。データ アプリケーションを構築および展開するための高速かつシンプルなソリューションを提供し、データ サイエンティストや開発者がより意味のあるデータ アプリケーションの作成に集中できるようにします。

以上がStreamlit プラットフォームを使用して機械学習モデルをデプロイする方法の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。