Introdução

Um modelo de aprendizado de máquina é essencialmente um conjunto de regras ou mecanismos usados ​​para fazer previsões ou encontrar padrões em dados. Para simplificar (e sem medo de simplificar demais), uma linha de tendência calculada usando o método dos mínimos quadrados no Excel também é um modelo. No entanto, os modelos utilizados em aplicações reais não são tão simples – muitas vezes envolvem equações e algoritmos mais complexos, e não apenas equações simples.

Nesta postagem, começarei construindo um modelo de aprendizado de máquina muito simples e lançando-o como um aplicativo da web muito simples para ter uma ideia do processo.

Aqui, vou me concentrar apenas no processo, não no modelo de ML em si. Além disso, usarei Streamlit e Streamlit Community Cloud para lançar facilmente aplicativos da web em Python.

DR:

Usando o scikit-learn, uma biblioteca Python popular para aprendizado de máquina, você pode treinar dados rapidamente e criar um modelo com apenas algumas linhas de código para tarefas simples. O modelo pode então ser salvo como um arquivo reutilizável com joblib. Este modelo salvo pode ser importado/carregado como uma biblioteca Python normal em um aplicativo da web, permitindo que o aplicativo faça previsões usando o modelo treinado!

URL do aplicativo: https://yh-machine-learning.streamlit.app/
GitHub: https://github.com/yoshan0921/yh-machine-learning.git

Pilha de tecnologia

• Python
• Streamlit: Para criar a interface do aplicativo web.
• scikit-learn: Para carregar e usar o modelo Random Forest pré-treinado.
• NumPy & Pandas: Para manipulação e processamento de dados.
• Matplotlib & Seaborn: Para gerar visualizações.

O que eu fiz

Este aplicativo permite que você examine as previsões feitas por um modelo de floresta aleatório treinado no conjunto de dados Palmer Penguins. (Veja o final deste artigo para obter mais detalhes sobre os dados de treinamento.)

Especificamente, o modelo prevê espécies de pinguins com base em uma variedade de características, incluindo espécie, ilha, comprimento do bico, comprimento das nadadeiras, tamanho do corpo e sexo. Os usuários podem navegar no aplicativo para ver como diferentes recursos afetam as previsões do modelo.

• Tela de previsão
  

• Tela de dados/visualização de aprendizagem
  

Passo 1 de Desenvolvimento - Criando o Modelo

Passo 1.1 Importar Bibliotecas

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
import joblib

pandas é uma biblioteca Python especializada em manipulação e análise de dados. Ele suporta carregamento, pré-processamento e estruturação de dados usando DataFrames, preparando dados para modelos de aprendizado de máquina.
sklearn é uma biblioteca Python abrangente para aprendizado de máquina que fornece ferramentas para treinamento e avaliação. Neste post, irei construir um modelo usando um método de aprendizagem chamado Random Forest.
joblib é uma biblioteca Python que ajuda a salvar e carregar objetos Python, como modelos de aprendizado de máquina, de uma forma muito eficiente.

Passo 1.2 Ler dados

df = pd.read_csv("./dataset/penguins_cleaned.csv")
X_raw = df.drop("species", axis=1)
y_raw = df.species

Carregue o conjunto de dados (dados de treinamento) e separe-o em recursos (X) e variáveis ​​de destino (y).

Etapa 1.3 Codificar as variáveis ​​de categoria

encode = ["island", "sex"]
X_encoded = pd.get_dummies(X_raw, columns=encode)

target_mapper = {"Adelie": 0, "Chinstrap": 1, "Gentoo": 2}
y_encoded = y_raw.apply(lambda x: target_mapper[x])

As variáveis ​​​​categóricas são convertidas em um formato numérico usando codificação one-hot (X_encoded). Por exemplo, se “ilha” contiver as categorias “Biscoe”, “Dream” e “Torgersen”, uma nova coluna será criada para cada uma (island_Biscoe, island_Dream, island_Torgersen). O mesmo é feito para o sexo. Se os dados originais forem “Biscoe”, a coluna ilha_Biscoe será definida como 1 e as demais como 0.
A variável alvo espécie é mapeada para valores numéricos (y_encoded).

Etapa 1.4 Dividir o conjunto de dados

x_train, x_test, y_train, y_test = train_test_split(
    X_encoded, y_encoded, test_size=0.3, random_state=1
)

Para avaliar um modelo, é necessário medir o desempenho do modelo em dados não utilizados para treinamento. 7:3 é amplamente utilizado como prática geral em aprendizado de máquina.

Etapa 1.5 Treinar um modelo de floresta aleatório

clf = RandomForestClassifier()
clf.fit(x_train, y_train)

O método de ajuste é usado para treinar o modelo.
O x_train representa os dados de treinamento para as variáveis ​​explicativas e o y_train representa as variáveis ​​de destino.
Ao chamar esse método, o modelo treinado com base nos dados de treinamento é armazenado em clf.

Passo 1.6 Salvar o modelo

joblib.dump(clf, "penguin_classifier_model.pkl")

joblib.dump() é uma função para salvar objetos Python em formato binário. Ao salvar o modelo neste formato, o modelo pode ser carregado de um arquivo e usado como está, sem a necessidade de ser treinado novamente.

Código de amostra

Etapa 2 de desenvolvimento - Construindo o aplicativo Web e integrando o modelo

Passo 2.1 Importar Bibliotecas

import streamlit as st
import numpy as np
import pandas as pd
import joblib

stremlit é uma biblioteca Python que facilita a criação e o compartilhamento de aplicativos da web personalizados para projetos de aprendizado de máquina e ciência de dados.
numpy é uma biblioteca Python fundamental para computação numérica. Ele fornece suporte para matrizes e matrizes grandes e multidimensionais, juntamente com uma coleção de funções matemáticas para operar nessas matrizes de forma eficiente.

Passo 2.2 Recuperar e codificar dados de entrada

data = {
    "island": island,
    "bill_length_mm": bill_length_mm,
    "bill_depth_mm": bill_depth_mm,
    "flipper_length_mm": flipper_length_mm,
    "body_mass_g": body_mass_g,
    "sex": sex,
}
input_df = pd.DataFrame(data, index=[0])

encode = ["island", "sex"]
input_encoded_df = pd.get_dummies(input_df, prefix=encode)

Os valores de entrada são recuperados do formulário de entrada criado pelo Stremlit e as variáveis ​​​​categóricas são codificadas usando as mesmas regras de quando o modelo foi criado. Observe que a ordem de cada dado também deve ser a mesma de quando o modelo foi criado. Se a ordem for diferente, ocorrerá um erro ao executar uma previsão usando o modelo.

Passo 2.3 Carregar o Modelo

clf = joblib.load("penguin_classifier_model.pkl")

"penguin_classifier_model.pkl" é o arquivo onde o modelo salvo anteriormente está armazenado. Este arquivo contém um RandomForestClassifier treinado em formato binário. A execução desse código carrega o modelo no clf, permitindo usá-lo para previsões e avaliações de novos dados.

Passo 2.4 Realizar previsão

prediction = clf.predict(input_encoded_df)
prediction_proba = clf.predict_proba(input_encoded_df)

clf.predict(input_encoded_df): Usa o modelo treinado para prever a classe para os novos dados de entrada codificados, armazenando o resultado na previsão.
clf.predict_proba(input_encoded_df): Calcula a probabilidade de cada classe, armazenando os resultados em Prediction_proba.

Código de amostra

Etapa 3. Implantar

Você pode publicar seu aplicativo desenvolvido na Internet acessando o Stremlit Community Cloud (https://streamlit.io/cloud) e especificando a URL do repositório GitHub.

Sobre o conjunto de dados

Arte de @allison_horst (https://github.com/allisonhorst)

O modelo é treinado usando o conjunto de dados Palmer Penguins, um conjunto de dados amplamente reconhecido para a prática de técnicas de aprendizado de máquina. Este conjunto de dados fornece informações sobre três espécies de pinguins (Adelie, Chinstrap e Gentoo) do Arquipélago Palmer, na Antártica. Os principais recursos incluem:

• Espécies: As espécies do pinguim (Adelie, Chinstrap, Gentoo).
• Ilha: A ilha específica onde o pinguim foi observado (Biscoe, Dream, Torgersen).
• Comprimento do bico: o comprimento do bico do pinguim (mm).
• Profundidade do bico: a profundidade do bico do pinguim (mm).
• Comprimento da nadadeira: o comprimento da nadadeira do pinguim (mm).
• Massa Corporal: A massa do pinguim (g).
• Sexo: O sexo do pinguim (macho ou fêmea).

Este conjunto de dados é proveniente do Kaggle e pode ser acessado aqui. A diversidade de características o torna uma excelente escolha para construir um modelo de classificação e compreender a importância de cada característica na previsão de espécies.