在本课中，你将在一个数据集上训练一个 ML 模型，这个数据集来自世界各地：过去一个世纪的 UFO 目击事件，来源于 NUFORC 的数据库。
你将学会：
我们将继续使用 notebook 来清理数据和训练我们的模型，但你可以进一步探索在 web 应用程序中使用模型。
为此，你需要使用 Flask 构建一个 web 应用程序。
有多种方法可以构建 Web 应用程序以使用机器学习模型。你的 web 架构可能会影响你的模型训练方式。想象一下，你在一家企业工作，其中数据科学小组已经训练了他们希望你在应用程序中使用的模型。
你需要问很多问题：
你还有机会构建一个完整的 Flask Web 应用程序，该应用程序能够在 Web浏览器中训练模型本身。这也可以在 JavaScript 上下文中使用 TensorFlow.js 来完成。
出于我们的目的，既然我们一直在使用基于 Python 的 notebook，那么就让我们探讨一下将经过训练的模型从 notebook 导出为 Python 构建的 web 应用程序可读的格式所需要采取的步骤。
对于此任务，你需要两个工具：Flask 和 Pickle，它们都在 Python 上运行。
✅ 什么是 Flask？ Flask 被其创建者定义为“微框架”，它提供了使用 Python 和模板引擎构建网页的 Web 框架的基本功能。看看本学习单元练习使用 Flask 构建应用程序。
✅ 什么是 Pickle？ Pickle🥒是一个 Python 模块，用于序列化和反序列化 Python 对象结构。当你“pickle”一个模型时，你将其结构序列化或展平以在 Web 上使用。小心：pickle 本质上不是安全的，所以如果提示“un-pickle”文件，请小心。生产的文件具有后缀 .pkl。
在本课中，你将使用由 NUFORC（国家 UFO 报告中心）收集的 80,000 次 UFO 目击数据。这些数据对 UFO 目击事件有一些有趣的描述，例如：
ufos.csv 电子表格包括有关目击事件发生的 city、state 和 country、对象的 shape 及其 latitude 和 longitude 的列。
在包含在本课中的空白 notebook 中：
像在之前的课程中一样导入 pandas、matplotlib 和 numpy，然后导入 ufos 电子表格。你可以查看一个示例数据集：
import pandas as pd
import numpy as np
ufos = pd.read_csv('../data/ufos.csv')
ufos.head()将 ufos 数据转换为带有新标题的小 dataframe。检查 country 字段中的唯一值。
ufos = pd.DataFrame({'Seconds': ufos['duration (seconds)'], 'Country': ufos['country'],'Latitude': ufos['latitude'],'Longitude': ufos['longitude']})
ufos.Country.unique()现在，你可以通过删除任何空值并仅导入 1-60 秒之间的目击数据来减少我们需要处理的数据量：
ufos.dropna(inplace=True)
ufos = ufos[(ufos['Seconds'] >= 1) & (ufos['Seconds'] <= 60)]
ufos.info()导入 Scikit-learn 的 LabelEncoder 库，将国家的文本值转换为数字：
✅ LabelEncoder 按字母顺序编码数据
from sklearn.preprocessing import LabelEncoder
ufos['Country'] = LabelEncoder().fit_transform(ufos['Country'])
ufos.head()你的数据应如下所示：
Seconds Country Latitude Longitude
2 20.0 3 53.200000 -2.916667
3 20.0 4 28.978333 -96.645833
14 30.0 4 35.823889 -80.253611
23 60.0 4 45.582778 -122.352222
24 3.0 3 51.783333 -0.783333现在，你可以通过将数据划分为训练和测试组来准备训练模型。
选择要训练的三个特征作为 X 向量，y 向量将是 Country 你希望能够输入 Seconds、Latitude 和 Longitude 并获得要返回的国家/地区 ID。
from sklearn.model_selection import train_test_split
Selected_features = ['Seconds','Latitude','Longitude']
X = ufos[Selected_features]
y = ufos['Country']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)使用逻辑回归训练模型：
from sklearn.metrics import accuracy_score, classification_report
from sklearn.linear_model import LogisticRegression
model = LogisticRegression()
model.fit(X_train, y_train)
predictions = model.predict(X_test)
print(classification_report(y_test, predictions))
print('Predicted labels: ', predictions)
print('Accuracy: ', accuracy_score(y_test, predictions))准确率还不错 （大约 95%），不出所料，因为 Country 和 Latitude/Longitude 相关。
你创建的模型并不是非常具有革命性，因为你应该能够从其 Latitude 和 Longitude 推断出 Country，但是，尝试从清理、导出的原始数据进行训练，然后在 web 应用程序中使用此模型是一个很好的练习。
现在，是时候 pickle 你的模型了！你可以在几行代码中做到这一点。一旦它是 pickled，加载你的 pickled 模型并针对包含秒、纬度和经度值的示例数据数组对其进行测试，
import pickle
model_filename = 'ufo-model.pkl'
pickle.dump(model, open(model_filename,'wb'))
model = pickle.load(open('ufo-model.pkl','rb'))
print(model.predict([[50,44,-12]]))该模型返回 '3'，这是英国的国家代码。👽
现在你可以构建一个Flask应用程序来调用你的模型并返回类似的结果，但以一种更美观的方式。
首先在你的 ufo-model.pkl 文件所在的 notebook.ipynb 文件旁边创建一个名为 web-app 的文件夹。
在该文件夹中创建另外三个文件夹：static，其中有文件夹 css 和 templates。 你现在应该拥有以下文件和目录
web-app/
static/
css/
templates/
notebook.ipynb
ufo-model.pkl✅ 请参阅解决方案文件夹以查看已完成的应用程序
在 web-app 文件夹中创建的第一个文件是 requirements.txt 文件。与 JavaScript 应用程序中的 package.json 一样，此文件列出了应用程序所需的依赖项。在 requirements.txt 中添加以下几行：
scikit-learn
pandas
numpy
flask现在，进入 web-app 文件夹：
cd web-app在你的终端中输入 pip install，以安装 reuirements.txt 中列出的库：
pip install -r requirements.txt现在，你已准备好创建另外三个文件来完成应用程序：
使用一些样式构建 styles.css 文件：
body {
width: 100%;
height: 100%;
font-family: 'Helvetica';
background: black;
color: #fff;
text-align: center;
letter-spacing: 1.4px;
font-size: 30px;
}
input {
min-width: 150px;
}
.grid {
width: 300px;
border: 1px solid #2d2d2d;
display: grid;
justify-content: center;
margin: 20px auto;
}
.box {
color: #fff;
background: #2d2d2d;
padding: 12px;
display: inline-block;
}接下来，构建 index.html 文件：
<!DOCTYPE html>
<html>
<head>
<meta charset="UTF-8">
<title>🛸 UFO Appearance Prediction! 👽</title>
<link rel="stylesheet" href="{{ url_for('static', filename='css/styles.css') }}">
</head>
<body>
<div class="grid">
<div class="box">
<p>According to the number of seconds, latitude and longitude, which country is likely to have reported seeing a UFO?</p>
<form action="{{ url_for('predict')}}" method="post">
<input type="number" name="seconds" placeholder="Seconds" required="required" min="0" max="60" />
<input type="text" name="latitude" placeholder="Latitude" required="required" />
<input type="text" name="longitude" placeholder="Longitude" required="required" />
<button type="submit" class="btn">Predict country where the UFO is seen</button>
</form>
<p>{{ prediction_text }}</p>
</div>
</div>
</body>
</html>看看这个文件中的模板。请注意应用程序将提供的变量周围的“mustache”语法，例如预测文本：{{}}。还有一个表单可以将预测发布到 /predict 路由。
最后，你已准备好构建使用模型和显示预测的 python 文件：
在app.py中添加:
import numpy as np
from flask import Flask, request, render_template
import pickle
app = Flask(__name__)
model = pickle.load(open("./ufo-model.pkl", "rb"))
@app.route("/")
def home():
return render_template("index.html")
@app.route("/predict", methods=["POST"])
def predict():
int_features = [int(x) for x in request.form.values()]
final_features = [np.array(int_features)]
prediction = model.predict(final_features)
output = prediction[0]
countries = ["Australia", "Canada", "Germany", "UK", "US"]
return render_template(
"index.html", prediction_text="Likely country: {}".format(countries[output])
)
if __name__ == "__main__":
app.run(debug=True)💡 提示：当你在使用 Flask 运行 Web 应用程序时添加
debug=True时你对应用程序所做的任何更改将立即反映，无需重新启动服务器。注意！不要在生产应用程序中启用此模式
如果你运行 python app.py 或 python3 app.py - 你的网络服务器在本地启动，你可以填写一个简短的表格来回答你关于在哪里看到 UFO 的问题！
在此之前，先看一下 app.py 的实现：
在 /predict 路由上，当表单被发布时会发生几件事情：
以这种方式使用模型，包括 Flask 和 pickled 模型，是相对简单的。最困难的是要理解数据是什么形状的，这些数据必须发送到模型中才能得到预测。这完全取决于模型是如何训练的。有三个数据要输入，以便得到一个预测。
在一个专业的环境中，你可以看到训练模型的人和在 Web 或移动应用程序中使用模型的人之间的良好沟通是多么的必要。在我们的情况下，只有一个人，你！
你可以在 Flask 应用程序中训练模型，而不是在 notebook 上工作并将模型导入 Flask 应用程序！尝试在 notebook 中转换 Python 代码，可能是在清除数据之后，从应用程序中的一个名为 train 的路径训练模型。采用这种方法的利弊是什么？
有很多方法可以构建一个Web应用程序来使用ML模型。列出可以使用JavaScript或Python构建Web应用程序以利用机器学习的方法。考虑架构：模型应该留在应用程序中还是存在于云中？如果是后者，你将如何访问它？为应用的ML Web解决方案绘制架构模型。