Flask Web應用程序中的機器學習模型錯誤

Question

我已經創建了用於心臟病預測的機器學習模型，現在我想使用FLASK在我的Web應用程序中進行部署。 數據集是從Kaggle獲得的。 每當我運行該應用程序時，我在執行該代碼時都會遇到一些問題，它說：

C:\Users\Surface\Desktop\Flask_app>python app.py                                                                          File "app.py", line 42                                                                                                   
 x_data = request.form['x_data']                                                                                                                                 
                              ^                                                                             
IndentationError: unindent does not match any outer indentation level   

誰能指導我謝謝:)

from flask import Flask,render_template,url_for,request
import numpy as np
import pandas as pd
import pickle
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.externals import joblib

app = Flask(__name__)
@app.route('/')
def home():
    return render_template('home.html')

@app.route('/predict',method=['POST'])
def predict():
    df = pd.read_csv("heart.csv")
    df = df.drop(columns = ['cp', 'thal', 'slope'])

#features and labels
    y = df.target.values
    x_data = df.drop(['target'], axis = 1)

#EXTRACT Features
    x = (x_data - np.min(x_data)) / (np.max(x_data) - np.min(x_data)).values
    x_train, x_test, y_train, y_test = train_test_split(x,y,test_size = 0.2,random_state=0)

# Random Forest Classification
    from sklearn.ensemble import RandomForestClassifier
    rf = RandomForestClassifier(n_estimators = 1000, random_state = 1)
    rf.fit(x_train.T, y_train.T)
    print("Random Forest Algorithm Accuracy Score : {:.2f}%".format(rf.score(x_test.T,y_test.T)*100))


#persist model in a standard format
    from sklearn.externals import joblib
    joblib.dump(rf, 'HAP_model.pkl')
    HAP_model = open('HAP_model.pkl','rb')
    rf = joblib.load(HAP_model)

    if request.method=='POST':
        x_data = request.form['x_data']
    data = [df.drop(['target'], axis = 1)]
    vect = rf.transform(data).toarray()
    my_prediction = rf.predict(vect)
    return render_template('result.html',prediction = my_prediction)


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

Answer 1

可以改善您的預測延遲的一件事是將您的訓練代碼從導入heart.csv轉移到將模型另存為咸菜之外。 這樣，當收到新請求時，您不必重新訓練模型，這可以改善延遲。

另一個解決方案是使用BentoML（ https://github.com/bentoml/bentoml ），這是一個用於服務和部署ML模型的開源框架。 它為您生成了REST API服務器，而無需編寫自己的flask應用程序。

這是BentoML的scikit-learn示例： https ://colab.research.google.com/github/bentoml/gallery/blob/master/scikit-learn/sentiment-analysis/sklearn-sentiment-analysis.ipynb。