Теперь, когда вы успешно создали модель машинного обучения и хотите использовать ее в своем приложении, просто выполните следующие действия, чтобы создать конечную точку API для получения прогнозов вашей модели машинного обучения:
1. Сохраните модель с помощью библиотеки «pickle»:
Позже вы можете открыть этот файл рассола и вызвать функцию прогнозировать [PP1], чтобы получить прогноз на основе новых данных.
2. «pickle.dump» имеет два параметра:
а. Первая - это модель (на изображении она обозначена как «clf»).
б. Второй - это файл, в котором вы собираетесь сохранить модель.
3. После сохранения модели мы используем среду Python Flask для загрузки модели и создания API.
4. Flask - это облегченная структура веб-приложений интерфейса шлюза веб-сервера. Он разработан, чтобы сделать начало работы быстрым и легким, с возможностью масштабирования до сложных приложений.
5. В своем приложении импортируйте фреймворк Flask и создайте маршрут API:
6. Импортируйте рассол вместе с Flask в тот же файл и откройте ранее сохраненный файл модели.
7. Теперь вы можете создать функцию таким образом, чтобы при отправке запроса Post к конечной точке API с новыми данными данные обрабатывались соответствующим образом и передавались в функцию «.predict» загруженной выше модели.
8. Выполнение простого почтового запроса к этому API даст вам прогноз в ответе, который можно соответственно использовать в вашем приложении.
