数据分析36计(28)：Python 使用 Flask+Docker， 100行代码内实现机器学习实时预测​...

本文的想法是快速轻松地构建 Docker 容器，Python 以使用 Flask 实现机器学习模型执行在线预测 API 。我们将使用 Docker 和 Flask-RESTful 实现线性判别分析和多层感知器神经网络模型的实时预测。

项目包括的文件有：Dockerfile，train.py，api.py，requirements.txt， train.csv，test.json。

• Dockerfile 将被用来构建 Docker 镜像

• train.py 使用规范化的 EEG 数据训练两个分类模型（线性判别分析和多层感知器神经网络模型）

• api.py 是将被调用执行使用 REST API 的在线预测接口脚本

• requirements.txt（flask, flask-restful, joblib）是 Python 依赖

• train.csv 用于训练模型的数据

• test.json 是一个 json 文件，包含待预测的数据

Python 构建 Flask-restful API

第一步先思考我们需要构建哪些接口，输入和输出分别是什么。在这个例子里，我们将使用 包含 1300 行，160 列特征的 EGG 数据 test.json 文件。我们想要实现的 API 包括：

1. 查询数据

请求方式：GET

请求示例：http://0.0.0.0:5000/line/232

参数说明：line, 必须, 行号

返回结果：

{"Line": "232", "# Letter": "4", ...}

1. 获取预测结果 请求方式：GET

请求示例：http://0.0.0.0:5000/prediction/232

参数说明：line, 必须, 行号

返回结果：

{
  "prediction LDA": "21",
  "prediction Neural Network": 8
}

结果说明：

• prediction LDA: LDA 模型分类预测结果

• prediction Neural Network: 神经网络模型预测结果

1. 获取模型效果评分 请求方式：GET

请求示例：http://0.0.0.0:5000/score

返回结果：

{
  "Score LDA": 0.17846,
  "Score Neural Network": 0.596923 
}

结果说明：

• Score LDA: LDA 模型评分

• Score Neural Network: 神经网络模型评分

最后，我们能通过 HTTP 请求来获取结果，该 api.py 文件实现如下：

# We now need the json library so we can load and export json data
import json
import os
import numpy as np
from sk