ML-For-Beginners:用 Pickle 序列化 Scikit-learn 模型并构建 Flask 预测 Web 应用【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners本节是 ML-For-Beginners 课程中的第 3 个应用模块3-Web-App聚焦一个典型的“模型落地”场景将训练好的 Scikit-learn 模型保存为可移植文件再在一个基于 Flask 的 Web 应用中加载该模型并提供在线预测。你将使用约 8 万条 NUFORCNational UFO Reporting CenterUFO 目击数据训练一个“根据观测秒数、经纬度判断哪个国家报告了 UFO”的模型掌握pickle序列化、requirements.txt依赖管理以及 Flask 路由、模板渲染与模型调用的完整链路。学完本篇你将能独立完成“数据清洗 → 模型训练 → 模型导出 → Web 服务部署”的完整流程。一、本节目标与整体流程根据 3-Web-App/README.md 的定义本节将介绍一个应用型 ML 主题如何把 Scikit-learn 模型保存为文件使其能在 Web 应用中用于预测。整体流程包含四个阶段用 UFO 目击数据清洗、训练一个多分类模型LogisticRegression用pickle把训练好的模型序列化为ufo-model.pkl用 Flask 搭建一个表单驱动的 Web 应用在/predict路由中调用模型输入秒数、纬度、经度返回“最可能报告 UFO 的国家”。唯一的课程单元是 Build a Web App 教程配套有空白练习 Notebooknotebook.ipynb和完整参考答案solution/notebook.ipynb 与 solution/web-app。二、部署考量模型运行在哪里教程指出构建“消费 ML 模型”的 Web 应用有多种方式你的 Web 架构甚至可能反过来影响模型的训练方式。假设数据科学团队训练好了模型你要把它用进应用里需要先回答这些问题是 Web 应用还是移动应用如果是移动应用或 IoT 场景可以用 TensorFlow Lite 将模型带入 Android/iOS 应用模型驻留在哪里云端还是本地是否需要离线支持应用必须能离线工作吗模型用什么技术训练的训练技术栈会影响部署工具链的选择TensorFlow训练的模型可以用 TensorFlow.js 转换为 Web 应用可用的格式PyTorch训练的模型可以导出为 ONNXOpen Neural Network Exchange格式配合 Onnx Runtime 在 JavaScript Web 应用中使用课程后续会针对 Scikit-learn 模型探索这一选项可在 4-Classification/4-Applied 看到 ONNX 相关实践Lobe.ai / Azure Custom Vision 等 ML SaaS平台则提供导出模型到多个平台的能力包括构建一个可被云端查询的定制 API。此外还可以构建一个完整的 Flask Web 应用让模型直接在 Web 浏览器中训练例如借助 TensorFlow.js 的 JavaScript 环境。本节的选择由于课程一直使用 Python Notebook因此聚焦“从 Python Notebook 导出训练好的模型转成 Python Web 应用可读的格式”这一条路径。三、两个核心工具Flask 与 Pickle本节任务只需要两个 Python 生态工具FlaskFlask 被其作者定义为micro-framework微型框架它用 Python 提供 Web 框架的基础功能并内置模板引擎用于构建网页。它是本应用的服务端框架。PicklePickle 是 Python 标准库中用于序列化serialize与反序列化de-serializePython 对象结构的模块。当你pickle一个模型时实际上是把它拍平flatten为字节流以便在 Web 环境中加载使用。教程特别提醒pickle 本身不具备安全性如果别人让你un-pickle一个来路不明的文件务必小心——反序列化任意 pickle 文件可能执行恶意代码。序列化后的模型文件使用.pkl后缀。四、数据准备从 8 万条 UFO 记录到干净数据集数据集来自 NUFORC共约 8 万条 UFO 目击记录当前仓库中 data/ufos.csv 实际包含 80,332 行数据。数据中有意思的描述包括长描述A man emerges from a beam of light that shines on a grassy field at night and he runs towards the Texas Instruments parking lot和短描述the lights chased us。CSV 的完整表头为datetime,city,state,country,shape,duration (seconds),duration (hours/min),comments,date posted,latitude,longitude即包含目击发生的城市city、州state、国家country、物体形状shape以及纬度latitude、经度longitude等列。在空白 Notebook 中按以下步骤操作1. 导入依赖与数据import pandas as pd import numpy as np ufos pd.read_csv(./data/ufos.csv) ufos.head()2. 构建精简 DataFrame 并检查标签ufos pd.DataFrame({Seconds: ufos[duration (seconds)], Country: ufos[country],Latitude: ufos[latitude],Longitude: ufos[longitude]}) ufos.Country.unique()从参考答案 solution/notebook.ipynb 中可以看到Country字段的唯一值为# 0 au, 1 ca, 2 de, 3 gb, 4 us即国家码为澳大利亚au、加拿大ca、德国de、英国gb、美国us五个取值。3. 去除空值并限定观测时长ufos.dropna(inplaceTrue) ufos ufos[(ufos[Seconds] 1) (ufos[Seconds] 60)] ufos.info()只保留 1–60 秒的目击记录大幅降低需要处理的数据量。4. 用 LabelEncoder 把国家编码为数字✅ 提示LabelEncoder 按字母顺序编码alphabetically。from sklearn.preprocessing import LabelEncoder ufos[Country] LabelEncoder().fit_transform(ufos[Country]) ufos.head()清洗后的数据形如国家码 3 对应 UK4 对应 US3 对应 53.2°N/-2.9°E 的英国坐标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 -0.783333五、训练模型LogisticRegression 与约 95% 的准确率准备好训练/测试划分。选择三个特征作为 X 向量目标 y 向量为Country——我们的目标是输入Seconds、Latitude、Longitude返回一个国家 idfrom 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_size0.2, random_state0)用逻辑回归训练并评估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))准确率约95%并不令人意外——因为Country与Latitude/Longitude天然强相关。教程坦言这个模型本身没什么革命性毕竟可以从经纬度推断出国家但它是一个很好的练习从原始数据出发完成清洗、导出然后把这个模型放进 Web 应用里使用。六、Pickle 你的模型并本地验证几行代码即可完成序列化。序列化后重新加载该模型并用一个包含秒数、纬度、经度的样本数组测试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]]))模型返回3——即 UK英国的国家编码gb按字母序排在第 3 位。仓库中可直接查看训练好的成品模型文件solution/ufo-model.pkl。七、构建 Flask Web 应用现在构建一个 Flask 应用以视觉上更讨喜的方式调用模型并返回结果。1. 目录结构在notebook.ipynb也就是ufo-model.pkl所在处旁边创建web-app文件夹并在其中创建static内嵌css子文件夹和templates两个目录web-app/ static/ css/ templates/ notebook.ipynb ufo-model.pkl✅ 参考 solution 文件夹查看完成后的应用solution/web-app。2. requirements.txtPython 应用的依赖清单在 web-app 文件夹中创建requirements.txt。它类似于 JavaScript 应用中的package.json列出应用所需的全部依赖scikit-learn pandas numpy flask然后安装依赖cd web-app pip install -r requirements.txt仓库中的实际文件 solution/web-app/requirements.txt 正是这四行内容。3. styles.css静态样式创建static/css/styles.css包含以下样式黑底白字、居中网格布局符合UFO 夜观主题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; }对应仓库文件为 solution/web-app/static/css/styles.css。4. index.htmlJinja2 模板与表单创建templates/index.html!DOCTYPE html html head meta charsetUTF-8 title UFO Appearance Prediction! /title link relstylesheet href{{ url_for(static, filenamecss/styles.css) }} /head body div classgrid div classbox pAccording to the number of seconds, latitude and longitude, which country is likely to have reported seeing a UFO?/p form action{{ url_for(predict)}} methodpost input typenumber nameseconds placeholderSeconds requiredrequired min0 max60 / input typetext namelatitude placeholderLatitude requiredrequired / input typetext namelongitude placeholderLongitude requiredrequired / button typesubmit classbtnPredict country where the UFO is seen/button /form p{{ prediction_text }}/p /div /div /body /html对应仓库文件 solution/web-app/templates/index.html。注意模板中的mustache语法{{ }}这些变量如prediction_text将由后端应用注入表单会以 POST 方式提交到/predict路由静态样式通过url_for(static, filenamecss/styles.css)解析。5. app.py驱动预测的核心文件在 web-app 根目录创建app.pyimport 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_textLikely country: {}.format(countries[output]) ) if __name__ __main__: app.run(debugTrue) 提示运行时加debugTrue后对应用的任何修改都会即时生效无需重启服务器。注意生产环境不要开启该模式。从源码结构看/predict路由的调用链非常清晰request.form.values()收集表单的seconds、latitude、longitude三个值并转为整数列表np.array(...)包一层构成二维特征数组model.predict需要 shape 为(n_samples, n_features)的输入这与训练时X的二维结构一致——模型记得自己训练时输入的形状model.predict(final_features)返回国家编码用countries列表把编码 0–4 反解回可读国家名注意该列表顺序必须与 LabelEncoder 的字母序编码一一对应au→0 Australia, ca→1 Canada, de→2 Germany, gb→3 UK, us→4 US通过render_template把prediction_text注入index.html重新渲染返回。仓库中的成品 solution/web-app/app.py 与上述代码一致唯一区别是模型加载路径写为../ufo-model.pkl——因为 solution 目录里web-app/与ufo-model.pkl平级模型文件在上一级目录。这提示一个实操要点pickle.load的相对路径是相对于启动app.py时的工作目录/脚本位置解析的调整目录结构时务必同步修改该路径。6. 启动应用运行python app.py或python3 app.py后本地 Web 服务器启动打开浏览器填写简短表单即可回答UFO 出现在哪个国家的问题。八、关键衔接点输入数据必须与训练时形状一致教程总结道用 Flask 序列化模型消费模型是相当直白的事情最难的部分是理解必须向模型发送什么形状的数据才能得到预测——这完全取决于模型是如何训练的。本模型需要按顺序输入 3 个数据点Seconds、Latitude、Longitude。因此index.html中表单字段的nameseconds/latitude/longitude及其提交顺序、app.py中request.form.values()的取值顺序、以及训练 Notebook 中Selected_features [Seconds,Latitude,Longitude]的顺序三者必须严格对齐预测结果才有意义。教程由此引申出一个职业建议在生产环境中训练模型的人与在 Web/移动应用消费模型的人之间需要良好沟通——当然在本课程里这两个人都是你自己。九、挑战与课后练习 挑战教程鼓励你换一种思路——不在 Notebook 里训练再把模型导入 Flask而是直接在 Flask 应用内部训练模型。尝试把 Notebook 中数据清洗后的 Python 代码转换到一个名为train的路由中让模型在应用内训练并思考这种做法的利弊如模型更新方便但每次请求/重启的开销、状态管理复杂度等。课后作业assignment.md用此前回归课程中用过的模型重做这个 Web 应用例如南瓜数据集可以保留现有样式也可以重新设计以呼应南瓜主题注意把输入字段改成与你所选模型的训练方式相匹配。评分标准优秀 应用如预期运行并部署到云端合格 应用存在缺陷或结果意外待改进 应用无法正常工作。复习与自研列出你用 JavaScript 或 Python 构建 Web 应用消费 ML 模型的多种方式考虑架构问题——模型应留在应用内还是驻留云端若驻留云端如何访问为应用型 ML Web 方案画出一张架构模型图。十、本节文件索引文件说明3-Web-App/README.md本节总览本文主体文档3-Web-App/1-Web-App/README.mdBuild a Web App 完整教程3-Web-App/1-Web-App/data/ufos.csvNUFORC UFO 目击数据集约 8 万行3-Web-App/1-Web-App/notebook.ipynb空白练习 Notebook3-Web-App/1-Web-App/solution/notebook.ipynb参考答案 Notebook3-Web-App/1-Web-App/solution/ufo-model.pkl序列化的训练模型3-Web-App/1-Web-App/solution/web-app/app.pyFlask 应用入口3-Web-App/1-Web-App/solution/web-app/requirements.txt应用依赖清单3-Web-App/1-Web-App/solution/web-app/templates/index.html前端表单模板3-Web-App/1-Web-App/solution/web-app/static/css/styles.css页面样式3-Web-App/1-Web-App/assignment.md课后作业与评分标准适用前提说明本模块的 Flask 应用运行在本地app.run(debugTrue)为开发服务器适用于学习与原型验证教程本身已提示不要在生产环境开启 debug 模式若要将该应用部署到云端作业评分的优秀标准之一需另行考虑生产级 WSGI 服务器与debugFalse的配置。【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
ML-For-Beginners:用 Pickle 序列化 Scikit-learn 模型并构建 Flask 预测 Web 应用【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners本节是 ML-For-Beginners 课程中的第 3 个应用模块3-Web-App聚焦一个典型的“模型落地”场景将训练好的 Scikit-learn 模型保存为可移植文件再在一个基于 Flask 的 Web 应用中加载该模型并提供在线预测。你将使用约 8 万条 NUFORCNational UFO Reporting CenterUFO 目击数据训练一个“根据观测秒数、经纬度判断哪个国家报告了 UFO”的模型掌握pickle序列化、requirements.txt依赖管理以及 Flask 路由、模板渲染与模型调用的完整链路。学完本篇你将能独立完成“数据清洗 → 模型训练 → 模型导出 → Web 服务部署”的完整流程。一、本节目标与整体流程根据 3-Web-App/README.md 的定义本节将介绍一个应用型 ML 主题如何把 Scikit-learn 模型保存为文件使其能在 Web 应用中用于预测。整体流程包含四个阶段用 UFO 目击数据清洗、训练一个多分类模型LogisticRegression用pickle把训练好的模型序列化为ufo-model.pkl用 Flask 搭建一个表单驱动的 Web 应用在/predict路由中调用模型输入秒数、纬度、经度返回“最可能报告 UFO 的国家”。唯一的课程单元是 Build a Web App 教程配套有空白练习 Notebooknotebook.ipynb和完整参考答案solution/notebook.ipynb 与 solution/web-app。二、部署考量模型运行在哪里教程指出构建“消费 ML 模型”的 Web 应用有多种方式你的 Web 架构甚至可能反过来影响模型的训练方式。假设数据科学团队训练好了模型你要把它用进应用里需要先回答这些问题是 Web 应用还是移动应用如果是移动应用或 IoT 场景可以用 TensorFlow Lite 将模型带入 Android/iOS 应用模型驻留在哪里云端还是本地是否需要离线支持应用必须能离线工作吗模型用什么技术训练的训练技术栈会影响部署工具链的选择TensorFlow训练的模型可以用 TensorFlow.js 转换为 Web 应用可用的格式PyTorch训练的模型可以导出为 ONNXOpen Neural Network Exchange格式配合 Onnx Runtime 在 JavaScript Web 应用中使用课程后续会针对 Scikit-learn 模型探索这一选项可在 4-Classification/4-Applied 看到 ONNX 相关实践Lobe.ai / Azure Custom Vision 等 ML SaaS平台则提供导出模型到多个平台的能力包括构建一个可被云端查询的定制 API。此外还可以构建一个完整的 Flask Web 应用让模型直接在 Web 浏览器中训练例如借助 TensorFlow.js 的 JavaScript 环境。本节的选择由于课程一直使用 Python Notebook因此聚焦“从 Python Notebook 导出训练好的模型转成 Python Web 应用可读的格式”这一条路径。三、两个核心工具Flask 与 Pickle本节任务只需要两个 Python 生态工具FlaskFlask 被其作者定义为micro-framework微型框架它用 Python 提供 Web 框架的基础功能并内置模板引擎用于构建网页。它是本应用的服务端框架。PicklePickle 是 Python 标准库中用于序列化serialize与反序列化de-serializePython 对象结构的模块。当你pickle一个模型时实际上是把它拍平flatten为字节流以便在 Web 环境中加载使用。教程特别提醒pickle 本身不具备安全性如果别人让你un-pickle一个来路不明的文件务必小心——反序列化任意 pickle 文件可能执行恶意代码。序列化后的模型文件使用.pkl后缀。四、数据准备从 8 万条 UFO 记录到干净数据集数据集来自 NUFORC共约 8 万条 UFO 目击记录当前仓库中 data/ufos.csv 实际包含 80,332 行数据。数据中有意思的描述包括长描述A man emerges from a beam of light that shines on a grassy field at night and he runs towards the Texas Instruments parking lot和短描述the lights chased us。CSV 的完整表头为datetime,city,state,country,shape,duration (seconds),duration (hours/min),comments,date posted,latitude,longitude即包含目击发生的城市city、州state、国家country、物体形状shape以及纬度latitude、经度longitude等列。在空白 Notebook 中按以下步骤操作1. 导入依赖与数据import pandas as pd import numpy as np ufos pd.read_csv(./data/ufos.csv) ufos.head()2. 构建精简 DataFrame 并检查标签ufos pd.DataFrame({Seconds: ufos[duration (seconds)], Country: ufos[country],Latitude: ufos[latitude],Longitude: ufos[longitude]}) ufos.Country.unique()从参考答案 solution/notebook.ipynb 中可以看到Country字段的唯一值为# 0 au, 1 ca, 2 de, 3 gb, 4 us即国家码为澳大利亚au、加拿大ca、德国de、英国gb、美国us五个取值。3. 去除空值并限定观测时长ufos.dropna(inplaceTrue) ufos ufos[(ufos[Seconds] 1) (ufos[Seconds] 60)] ufos.info()只保留 1–60 秒的目击记录大幅降低需要处理的数据量。4. 用 LabelEncoder 把国家编码为数字✅ 提示LabelEncoder 按字母顺序编码alphabetically。from sklearn.preprocessing import LabelEncoder ufos[Country] LabelEncoder().fit_transform(ufos[Country]) ufos.head()清洗后的数据形如国家码 3 对应 UK4 对应 US3 对应 53.2°N/-2.9°E 的英国坐标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 -0.783333五、训练模型LogisticRegression 与约 95% 的准确率准备好训练/测试划分。选择三个特征作为 X 向量目标 y 向量为Country——我们的目标是输入Seconds、Latitude、Longitude返回一个国家 idfrom 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_size0.2, random_state0)用逻辑回归训练并评估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))准确率约95%并不令人意外——因为Country与Latitude/Longitude天然强相关。教程坦言这个模型本身没什么革命性毕竟可以从经纬度推断出国家但它是一个很好的练习从原始数据出发完成清洗、导出然后把这个模型放进 Web 应用里使用。六、Pickle 你的模型并本地验证几行代码即可完成序列化。序列化后重新加载该模型并用一个包含秒数、纬度、经度的样本数组测试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]]))模型返回3——即 UK英国的国家编码gb按字母序排在第 3 位。仓库中可直接查看训练好的成品模型文件solution/ufo-model.pkl。七、构建 Flask Web 应用现在构建一个 Flask 应用以视觉上更讨喜的方式调用模型并返回结果。1. 目录结构在notebook.ipynb也就是ufo-model.pkl所在处旁边创建web-app文件夹并在其中创建static内嵌css子文件夹和templates两个目录web-app/ static/ css/ templates/ notebook.ipynb ufo-model.pkl✅ 参考 solution 文件夹查看完成后的应用solution/web-app。2. requirements.txtPython 应用的依赖清单在 web-app 文件夹中创建requirements.txt。它类似于 JavaScript 应用中的package.json列出应用所需的全部依赖scikit-learn pandas numpy flask然后安装依赖cd web-app pip install -r requirements.txt仓库中的实际文件 solution/web-app/requirements.txt 正是这四行内容。3. styles.css静态样式创建static/css/styles.css包含以下样式黑底白字、居中网格布局符合UFO 夜观主题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; }对应仓库文件为 solution/web-app/static/css/styles.css。4. index.htmlJinja2 模板与表单创建templates/index.html!DOCTYPE html html head meta charsetUTF-8 title UFO Appearance Prediction! /title link relstylesheet href{{ url_for(static, filenamecss/styles.css) }} /head body div classgrid div classbox pAccording to the number of seconds, latitude and longitude, which country is likely to have reported seeing a UFO?/p form action{{ url_for(predict)}} methodpost input typenumber nameseconds placeholderSeconds requiredrequired min0 max60 / input typetext namelatitude placeholderLatitude requiredrequired / input typetext namelongitude placeholderLongitude requiredrequired / button typesubmit classbtnPredict country where the UFO is seen/button /form p{{ prediction_text }}/p /div /div /body /html对应仓库文件 solution/web-app/templates/index.html。注意模板中的mustache语法{{ }}这些变量如prediction_text将由后端应用注入表单会以 POST 方式提交到/predict路由静态样式通过url_for(static, filenamecss/styles.css)解析。5. app.py驱动预测的核心文件在 web-app 根目录创建app.pyimport 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_textLikely country: {}.format(countries[output]) ) if __name__ __main__: app.run(debugTrue) 提示运行时加debugTrue后对应用的任何修改都会即时生效无需重启服务器。注意生产环境不要开启该模式。从源码结构看/predict路由的调用链非常清晰request.form.values()收集表单的seconds、latitude、longitude三个值并转为整数列表np.array(...)包一层构成二维特征数组model.predict需要 shape 为(n_samples, n_features)的输入这与训练时X的二维结构一致——模型记得自己训练时输入的形状model.predict(final_features)返回国家编码用countries列表把编码 0–4 反解回可读国家名注意该列表顺序必须与 LabelEncoder 的字母序编码一一对应au→0 Australia, ca→1 Canada, de→2 Germany, gb→3 UK, us→4 US通过render_template把prediction_text注入index.html重新渲染返回。仓库中的成品 solution/web-app/app.py 与上述代码一致唯一区别是模型加载路径写为../ufo-model.pkl——因为 solution 目录里web-app/与ufo-model.pkl平级模型文件在上一级目录。这提示一个实操要点pickle.load的相对路径是相对于启动app.py时的工作目录/脚本位置解析的调整目录结构时务必同步修改该路径。6. 启动应用运行python app.py或python3 app.py后本地 Web 服务器启动打开浏览器填写简短表单即可回答UFO 出现在哪个国家的问题。八、关键衔接点输入数据必须与训练时形状一致教程总结道用 Flask 序列化模型消费模型是相当直白的事情最难的部分是理解必须向模型发送什么形状的数据才能得到预测——这完全取决于模型是如何训练的。本模型需要按顺序输入 3 个数据点Seconds、Latitude、Longitude。因此index.html中表单字段的nameseconds/latitude/longitude及其提交顺序、app.py中request.form.values()的取值顺序、以及训练 Notebook 中Selected_features [Seconds,Latitude,Longitude]的顺序三者必须严格对齐预测结果才有意义。教程由此引申出一个职业建议在生产环境中训练模型的人与在 Web/移动应用消费模型的人之间需要良好沟通——当然在本课程里这两个人都是你自己。九、挑战与课后练习 挑战教程鼓励你换一种思路——不在 Notebook 里训练再把模型导入 Flask而是直接在 Flask 应用内部训练模型。尝试把 Notebook 中数据清洗后的 Python 代码转换到一个名为train的路由中让模型在应用内训练并思考这种做法的利弊如模型更新方便但每次请求/重启的开销、状态管理复杂度等。课后作业assignment.md用此前回归课程中用过的模型重做这个 Web 应用例如南瓜数据集可以保留现有样式也可以重新设计以呼应南瓜主题注意把输入字段改成与你所选模型的训练方式相匹配。评分标准优秀 应用如预期运行并部署到云端合格 应用存在缺陷或结果意外待改进 应用无法正常工作。复习与自研列出你用 JavaScript 或 Python 构建 Web 应用消费 ML 模型的多种方式考虑架构问题——模型应留在应用内还是驻留云端若驻留云端如何访问为应用型 ML Web 方案画出一张架构模型图。十、本节文件索引文件说明3-Web-App/README.md本节总览本文主体文档3-Web-App/1-Web-App/README.mdBuild a Web App 完整教程3-Web-App/1-Web-App/data/ufos.csvNUFORC UFO 目击数据集约 8 万行3-Web-App/1-Web-App/notebook.ipynb空白练习 Notebook3-Web-App/1-Web-App/solution/notebook.ipynb参考答案 Notebook3-Web-App/1-Web-App/solution/ufo-model.pkl序列化的训练模型3-Web-App/1-Web-App/solution/web-app/app.pyFlask 应用入口3-Web-App/1-Web-App/solution/web-app/requirements.txt应用依赖清单3-Web-App/1-Web-App/solution/web-app/templates/index.html前端表单模板3-Web-App/1-Web-App/solution/web-app/static/css/styles.css页面样式3-Web-App/1-Web-App/assignment.md课后作业与评分标准适用前提说明本模块的 Flask 应用运行在本地app.run(debugTrue)为开发服务器适用于学习与原型验证教程本身已提示不要在生产环境开启 debug 模式若要将该应用部署到云端作业评分的优秀标准之一需另行考虑生产级 WSGI 服务器与debugFalse的配置。【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
