工業場景全流程！機器學習開發並部署服務到雲端 ⛵

ShowMeAI發表於2022-11-19

? 作者：韓信子@ShowMeAI
? 機器學習實戰系列：https://www.showmeai.tech/tutorials/41
? 本文地址：https://www.showmeai.tech/article-detail/333
? 宣告：版權所有，轉載請聯絡平臺與作者並註明出處
? 收藏ShowMeAI檢視更多精彩內容

本篇內容 ShowMeAI 將帶大家學習，從頭開始構建機器學習管道，使用 Flask 框架構建 Web 應用程式，並部署到雲伺服器上的過程。具體包括：

何為機器學習應用部署
基於 PyCaret 開發機器學習全流程
基於 Flask 搭建簡易前端 Web 應用程式
在 Heroku 雲上部署機器學習應用

本示例中的應用為保險金額預估，部署好的雲端服務頁面如下圖所示，可以點選 ?這裡體驗。

? 環境&工具

? PyCaret

?PyCaret 是一個開源的低程式碼機器學習庫，用於在生產中訓練和部署機器學習管道/流水線和模型。我們可以透過pip安裝 PyCaret。

# 安裝pycaret
pip install pycaret

? Flask

?Flask 是一個用於在 Python 中構建 Web 應用程式的輕量化框架。我們本次的應用需要部署成Web端可互動操作使用的形態，會用到這個工具庫，我們同樣可以透過pip安裝它。

# 安裝flask
pip install flask

? Heroku

? Heroku 是一個平臺即服務（PaaS），它支援基於託管容器系統部署 Web 應用程式，具有整合的資料服務和強大的生態系統。我們將基於它將應用程式部署到雲端，進而大家可以直接透過 URL 在瀏覽器端訪問應用。

? 部署機器學習服務

在企業的實際生產中，我們經常會把機器學習模型構建成服務形態，這樣協作的開發同事可以透過介面（API）來訪問模型服務，完成預估任務，這被稱為部署機器學習應用過程。

更全一點說，生產中使用機器學習管道有兩種廣泛的方式：

批次預測

將模型或管道儲存在磁碟中，定期執行指令碼，載入模型和資料，生成預測並將輸出寫入磁碟。這種情況下，多個預測會並行。它對於時效性要求不高。

線上預測

需要實時預測，大家使用到的很多 app，其實都是輸入資訊，然後在單擊提交按鈕時，實時預估生成預測的。比如你在電商平臺輸入搜尋詞，點選查詢，可以看到模型排序好的結果列表返回。

本教程中，我們講解的是『線上預測』這種模式。我們將首先使用 PyCaret 在 Python 中構建機器學習管道，然後使用 Flask 構建 Web 應用程式，最後將所有這些部署在 Heroku 雲上。

整個機器學習管道（pipeline）如下圖所示：

? 場景案例&手把手

本案例中用作示例的資料來自保險場景，保險公司希望透過使用人口統計學資訊和基本患者健康風險特徵，更準確地預測患者保單費用，以最佳化其使用的現金流預測的準確性。資料是 PyCaret 自帶的，資料的簡單速覽如下：

下面我們逐步完成機器學習管道構建與雲端部署的過程。

? 第一步：構建機器學習流水線

我們把整個建模過程構建為一個流水線，這裡我們使用 PyCaret，幾乎可以自動化地完成這個過程。

# 載入資料
from pycaret.datasets import get_data
data = get_data('insurance')

# 初始化設定
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'])

上述的程式碼會自動化完成資料轉換，轉換後的資料集有 62 個用於訓練的特徵，這些特徵由原始資料集的 7 個特徵變換而來。以下為對應的特徵列表：

使用PyCaret進行建模和評估非常簡單，下面示例程式碼中，我們選擇邏輯迴歸模型，並進行10折交叉驗證：

# 模型訓練
lr = create_model('lr')

# 繪製訓練模型的殘差 
plot_model(lr, plot='residuals')

上述流程之後，我們可以使用該save_model函式儲存整個建模流水線。

# 儲存轉換流水線和模型
save_model(lr, model_name='/username/ins/deployment')

這樣我們就快速完成了第 1 步，注意，實際業務場景下，大家會做更精細化的資料清洗、特徵工程和模型調優，我們本次的目標是給大家演示從建模到部署的全流程方法，因此這個部分相對簡略。

PyCaret 自動化建模的輸出是一個流水線/pipeline，包含幾個資料轉換步驟（如特徵工程、縮放、缺失值插補等）和機器學習模型。流水線儲存為pkl格式的檔案，我們在後續構建 Flask 應用程式會使用到它。

? 第二步：使用 Flask 構建前端應用程式

在完成我們的機器學習流水線和模型之後，我們要開始開發 Web 應用程式，它由兩個部分組成：

前端（基於 HTML 構建網頁端可顯示和互動的內容）
後端（基於 Flask 開發完成接收請求後可以進行預估的程式）

① Web 應用前端

很多 Web 應用程式的前端都是使用 HTML 構建的，我們在本篇內容中不會深入講解前端相關的內容。為了構建一個輸入表單（以接收使用者實時預估時輸入的欄位取值），我們基於一個基本的 HTML 模板完成前端網頁，然後包含一個 CSS 樣式表。

◉ HTML 程式碼實現

以下是我們 Web 應用程式主頁的 HTML 程式碼。

<!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>