💡 作者：韩信子@ShowMeAI
📘 机器学习实战系列：https://www.showmeai.tech/tutorials/41
📘 本文地址：https://www.showmeai.tech/article-detail/333
📢 声明：版权所有，转载请联系平台与作者并注明出处
📢 收藏ShowMeAI查看更多精彩内容
本篇内容 ShowMeAI 将带大家学习，从头开始构建机器学习管道，使用 Flask 框架构建 Web 应用程序，并部署到云服务器上的过程。具体包括：
- 何为机器学习应用部署
- 基于 PyCaret 开发机器学习全流程
- 基于 Flask 搭建简易前端 Web 应用程序
- 在 Heroku 云上部署机器学习应用
本示例中的应用为保险金额预估，部署好的云端服务页面如下图所示，可以点击 📘这里体验。
💡 环境&工具
💦 PyCaret
📘PyCaret 是一个开源的低代码机器学习库，用于在生产中训练和部署机器学习管道/流水线和模型。我们可以通过pip安装 PyCaret。
# 安装pycaret
pip install pycaret
💦 Flask
📘Flask 是一个用于在 Python 中构建 Web 应用程序的轻量化框架。我们本次的应用需要部署成Web端可交互操作使用的形态，会用到这个工具库，我们同样可以通过pip安装它。
# 安装flask
pip install flask
💦 Heroku
💡 部署机器学习服务
在企业的实际生产中，我们经常会把机器学习模型构建成服务形态，这样协作的开发同事可以通过接口（API）来访问模型服务，完成预估任务，这被称为部署机器学习应用过程。
更全一点说，生产中使用机器学习管道有两种广泛的方式：
- 批量预测
将模型或管道存储在磁盘中，定期运行脚本，加载模型和数据，生成预测并将输出写入磁盘。这种情况下，多个预测会并行。它对于时效性要求不高。
- 在线预测
需要实时预测，大家使用到的很多 app，其实都是输入信息，然后在单击提交按钮时，实时预估生成预测的。比如你在电商平台输入搜索词，点击查询，可以看到模型排序好的结果列表返回。
本教程中，我们讲解的是『在线预测』这种模式。我们将首先使用 PyCaret 在 Python 中构建机器学习管道，然后使用 Flask 构建 Web 应用程序，最后将所有这些部署在 Heroku 云上。
整个机器学习管道（pipeline）如下图所示：
💡 场景案例&手把手
本案例中用作示例的数据来自保险场景，保险公司希望通过使用人口统计学信息和基本患者健康风险特征，更准确地预测患者保单费用，以优化其使用的现金流预测的准确性。数据是 PyCaret 自带的，数据的简单速览如下：
下面我们逐步完成机器学习管道构建与云端部署的过程。
💦 第一步：构建机器学习流水线
我们把整个建模过程构建为一个流水线，这里我们使用 PyCaret，几乎可以自动化地完成这个过程。
# 加载数据
from pycaret.datasets import get_data
data = get_data('insurance')
# 初始化设置
from pycaret.regression import *
s = setup(data, target = 'charges', session_id = 123, normalize = True, polynomial_features = True, trigonometry_features = True, feature_interaction=True, bin_numeric_features= ['age', 'bmi'])
上述的代码会自动化完成数据转换，转换后的数据集有 62 个用于训练的特征，这些特征由原始数据集的 7 个特征变换而来。以下为对应的特征列表：
使用PyCaret进行建模和评估非常简单，下面示例代码中，我们选择逻辑回归模型，并进行10折交叉验证：
# 模型训练
lr = create_model('lr')
# 绘制训练模型的残差
plot_model(lr, plot='residuals')
上述流程之后，我们可以使用该save_model函数保存整个建模流水线。
# 保存转换流水线和模型
save_model(lr, model_name='/username/ins/deployment')
这样我们就快速完成了第 1 步，注意，实际业务场景下，大家会做更精细化的数据清洗、特征工程和模型调优，我们本次的目标是给大家演示从建模到部署的全流程方法，因此这个部分相对简略。
PyCaret 自动化建模的输出是一个流水线/pipeline，包含几个数据转换步骤（如特征工程、缩放、缺失值插补等）和机器学习模型。流水线保存为pkl格式的文件，我们在后续构建 Flask 应用程序会使用到它。
💦 第二步：使用 Flask 构建前端应用程序
在完成我们的机器学习流水线和模型之后，我们要开始开发 Web 应用程序，它由两个部分组成：
- 前端（基于 HTML 构建网页端可显示和交互的内容）
- 后端（基于 Flask 开发完成接收请求后可以进行预估的程序）
① Web 应用前端
很多 Web 应用程序的前端都是使用 HTML 构建的，我们在本篇内容中不会深入讲解前端相关的内容。为了构建一个输入表单（以接收用户实时预估时输入的字段取值），我们基于一个基本的 HTML 模板完成前端网页，然后包含一个 CSS 样式表。
◉ HTML 代码实现
以下是我们 Web 应用程序主页的 HTML 代码。
<!DOCTYPE html>
<html>
<head>
<meta charset="UTF-8">
<title>Predict Insurance Bill</title>
<link href='https://fonts.googleapis.com/css?family=Pacifico' rel='stylesheet' type='text/css'>
<link href='https://fonts.googleapis.com/css?family=Arimo' rel='stylesheet' type='text/css'>
<link href='https://fonts.googleapis.com/css?family=Hind:300' rel='stylesheet' type='text/css'>
<link href='https://fonts.googleapis.com/css?family=Open+Sans+Condensed:300' rel='stylesheet' type='text/css'>
<link type="text/css" rel="stylesheet" href="{
{ url_for('static', filename='./style.css') }}">
</head>
<body>
<div class="login">
<h1>Predict Insurance Bill</h1>
<!-- Form to enter new data for predictions -->
<form action="{
{ url_for('predict')}}"method="POST">
<input type="text" name="age" placeholder="Age" required="required" /><br>
<input type="text" name="sex" placeholder="Sex" required="required" /><br>
<input type="text" name="bmi" placeholder="BMI" required="required" /><br>
<input type="text" name="children" placeholder="Children" required="required" /><br>
<input type="text" name="smoker" placeholder="Smoker" required="required" /><br>
<input type="text" name="region" placeholder="Region" required="required" /><br>
<button type="submit" class="btn btn-primary btn-block btn-large">Predict</button>
</form>
<br>
<br>
</div>
{
{pred}}
</body>
</html>
大家如果要构建简单的应用程序，不需要专门去学一遍 HTML 的高级知识。大家在互联网上可以找到大量 HTML 和 CSS 模板，甚至有些 📘在线平台 可以通过使用拖拽构建用户界面，并快速生成对应的 HTML 代码。
◉ CSS 样式表 CSS 负责描述 HTML 元素在屏幕上的呈现样式，借助 CSS 可以非常有效地控制应用程序的布局。存储在样式表中的信息包括边距、字体大小和颜色以及背景颜色。这些信息以 CSS 扩展名的文件格式存储在外部位置，主 HTML 文件包含对 CSS 文件的引用。
② Web 应用后端
下面我们完成这个应用的后端，我们在 Python 中可以使用 Flask 工具库完成。关于 Flask 的详细知识大家可以参考 📘官方网站。我们的部分代码如下：
在云端部署之前，我们需要在本地测试应用是否正常工作。我们在命令行运行 python app.py：
python app.py
上图中大家可以在最后一行看到本地的测试 URL，我们把它粘贴到浏览器可以查看 Web 应用程序是否正常。我们还可以通过输入一些测试数据来检查预测功能是否正常运行。如下例中，我们输入信息：19 岁、吸烟、西南地区、没有孩子、女性，模型预测住院费用为 20900 美元。
好啦，测试完毕，完全可以正常工作，我们在下一步把它部署到云端。
💦 第三步：在 Heroku 上部署 ML 流水线和应用程序
模型训练完成后，机器学习流水线已经准备好，且完成了本地测试，我们现在准备开始部署到 Heroku。有多种方法可以完成这个步骤，最简单的是将代码上传 GitHub ，并连接 Heroku 帐户完成部署。
下图是上传好的截图，大家可以在 📘https://www.github.com/pycaret/deployment-heroku 查看。
将所有文件上传到 GitHub 后，我们就可以开始在 Heroku 上进行部署了。如下为操作步骤：
① 注册并点击 『 创建新应用 』
在 📘heroku 上可以完成上述操作，如下图所示
② 输入应用名称和地区
③ 连接到托管代码的 GitHub 存储库
④ 部署分支
⑤ 等待部署完成
部署完成后，在有网络的情况下，就都可以访问对应的应用程序了 📘https ://pycaret-insurance.herokuapp.com/。
参考资料
- 📘 PyCaret：https://www.pycaret.org/
- 📘 Flask：https://flask.palletsprojects.com/en/2.2.x/
- 📘 Heroku：https://www.heroku.com/
- 📘 HTML 和 CSS 模板在线平台：http://www.vvveb.com/vvvebjs/editor.html
- 📘 Flask 的详细知识：https://dormousehole.readthedocs.io/en/latest/
