这是我的第315篇原创文章。

一、引言

用训练好的模型对新数据进行预测，在机器学习工程上有一个更专业的名词叫做「推理 Inference」。一般情况下，推理又分为：静态推理与动态推理。

静态推理通过集中对批量数据进行推理，并将结果存放在数据表或数据库中。当有需要的时候，再直接通过查询来获得推理结果。而动态推理一般将模型部署到服务器中。当有需要时，通过向服务器发送请求来获得模型返回的预测结果。

与静态推理不同的是，动态推理的过程是实时计算的，而静态推理是提前批量处理好的。静态推理适合于对大批量数据进行处理，因为动态推理面对大数据量时非常耗时。但是静态推理无法实时更新，而动态推理的结果是即时计算结果。

静态推理相信大家都很熟悉了，因为前面的内容中，我们对新数据预测实际上就类似于静态推理的过程。你只需要使用 scikit-learn 提供的 predict 操作即可完成。接下来，我们重点讨论动态推理的过程，并教你使用 RESTful API 的方式部署 scikit-learn 模型并完成动态推理。

二、项目结构

项目结构：

实现步骤：

• 执行train.py训练模型，把训练好的模型存储下来
• 基于FlaskWeb 应用框架构建一个 RESTful API，执行run.py 启动 Flask app
• 执行predict.py向目的地址发送请求并返回结果

注意：用Flask构建API的方法时，就是首先先训练模型，然后把模型给序列化了，当线上的测试数据来的时候，就直接使用已经训练好的模型，如果上线后模型表现效果不好，还是需要再训练模型的。

三、实现过程

3.1 训练保存模型

核心代码：

df = load_dataset("titanic")  # 加载泰坦尼克数据集
X = df[["pclass", "sex", "embarked"]]  # 特征
y = df["alive"]  # 目标
X = pd.get_dummies(X)  # 独热编码
model = RandomForestClassifier()  # 随机森林
np.mean(cross_val_score(model, X, y, cv=5))  # 5 次交叉验证求平均


model.fit(X, y)  # 训练模型
joblib.dump(model, "titanic.pkl")  # 保存模型

模型保存的文件：

3.2 构建RESTful API

核心代码：

app = Flask(__name__)


@app.route('/')
def index():
    return 'Please use the POST method to get predictions.'


@app.route("/", methods=["POST"])  # 请求方法为 POST
def predict():
    try:
        json_ = request.json  # 解析请求数据
        query_df = pd.DataFrame(json_)  # 将 json 变为 DataFrame
        columns_onehot = ["pclass", "sex_female", "sex_male",
                          "embarked_C", "embarked_Q", "embarked_S"]  # 独热编码 DataFrame 列名
        query = pd.get_dummies(query_df).reindex(
            columns=columns_onehot, fill_value=0)  # 将请求数据 DataFrame 处理成独热编码样式
        clf = joblib.load("titanic.pkl")  # 加载模型
        predictions = clf.predict(query)  # 模型推理
        return jsonify({"predict": list(predictions)})  # 返回推理结果
    except Exception as e:
        return f"Error: {e}"


if __name__ == "__main__":
    app.run(host='0.0.0.0', debug=True)

执行run.py，启动Flask App，网页访问127.0.0.1:5000，结果：

3.3 发送数据请求并返回预测结果

向服务器发送数据，并获得预测的结果：

# 向服务器发送请求获得预测结果
sample = [
    {"pclass": 1, "sex": "male", "embarked": "C"},
    {"pclass": 2, "sex": "female", "embarked": "S"},
    {"pclass": 3, "sex": "male", "embarked": "Q"},
    {"pclass": 3, "sex": "female", "embarked": "S"},
]


# 稍等片刻，Render 线上服务存在冷却启动时间
# requests.post(url="https://titanic-demo.onrender.com", json=sample).content
result = requests.post(url='http://127.0.0.1:5000', json=sample).content
print(result)

我们向服务器传送了4条记录，返回4个预测结果，分别为no、yes、no、no：

作者简介： 读研期间发表6篇SCI数据算法相关论文，目前在某研究院从事数据算法相关研究工作，结合自身科研实践经历持续分享关于Python、数据分析、特征工程、机器学习、深度学习、人工智能系列基础知识与案例。关注gzh：数据杂坛，获取数据和源码学习更多内容。

原文链接：

【Python机器学习系列】使用RESTful API部署机器学习模型（案例+源码）