streamlit -мощная рамка с открытым исходным кодом, которая позволяет создавать веб-приложения для data science и Machine Learning с несколькими строками кода Python.

]

это просто, интуитивно понятно, и не требует опыта фронта , что делает его отличным инструментом как для начинающих, так и для опытных разработчиков, которые хотят быстро развернуть модели машинного обучения.

В этом блоге я проведу вас через пошаговый процесс для создания базового приложения Streamlit и A проекта машинного обучения с использованием набора данных iris с randomForestClassifier.

]

] начало работы с Streamlit ]

]

, прежде чем мы перейдем к проекту, давайте пройдемся по базовой функциональности потока, чтобы чувствовать себя комфортно с фреймворком. Вы можете установить Streamlit, используя следующую команду:

]

pip install streamlit

]

после установки вы можете запустить свое первое приложение wreatlit , создав файл python, скажем, app.py и запустив его с помощью:

]

streamlit run app.py

]

теперь, давайте рассмотрим основные функции Streamlit:

]

1. Написание заголовков и отображение текста

]

import streamlit as st

# Writing a title
st.title("Hello World")

# Display simple text
st.write("Displaying a simple text")

]

2. Отображение DataFrames

import pandas as pd

# Creating a DataFrame
df = pd.DataFrame({
    "first column": [1, 2, 3, 4],
    "second column": [5, 6, 7, 8]
})

# Display the DataFrame
st.write("Displaying a DataFrame")
st.write(df)

]

3. Визуализация данных с диаграммами

]

import numpy as np

# Generating random data
chart_data = pd.DataFrame(
    np.random.randn(20, 4), columns=['a', 'b', 'c', 'd']
)

# Display the line chart
st.line_chart(chart_data)

]

4. Пользовательское взаимодействие: текст ввода, ползунки и выберите поля
] streamlit включает интерактивные виджеты, такие как текстовые входы, слайдеры и выберите поля, которые обновляются динамически на основе пользовательского ввода.

]

# Text input
name = st.text_input("Your Name Is:")
if name:
    st.write(f'Hello, {name}')

# Slider
age = st.slider("Select Your Age:", 0, 100, 25)
if age:
    st.write(f'Your Age Is: {age}')

# Select Box
choices = ["Python", "Java", "Javascript"]
lang = st.selectbox('Favorite Programming Language', choices)
if lang:
    st.write(f'Favorite Programming Language is {lang}')

]

5. Загрузка файла
Вы можете позволить пользователям загружать файлы и динамически отображать их содержимое в вашем wreatlit app:

] # Загрузчик файлов для файлов CSV file = st.file_uploader ('выберите файл csv,' csv ') Если файл: data = pd.read_csv (файл) St.Write (данные)

# File uploader for CSV files
file = st.file_uploader('Choose a CSV file', 'csv')

if file:
    data = pd.read_csv(file)
    st.write(data)

]

создание проекта машинного обучения с помощью Streamlit ]

Model

, используя randomForestClassifier из scikit-learn . ] структура проекта:

] загрузить набор данных. ]

обучить randomforestclassifier.

]
• позволить пользователям вводить функции с помощью ползунков.
]
• прогнозируйте виды на основе входных функций.
]
• ]
• 1. Установите необходимые зависимости

Во -первых, давайте установим необходимые библиотеки:

] ] PIP установить Streamlit Scikit-Learn Numpy Pandas ]

2. Импортируйте библиотеки и загрузку данных

pip install streamlit scikit-learn numpy pandas

] Давайте импортируем необходимые библиотеки и загрузите набор данных Iris:

] ] импорт стримки как ул. импортировать панды как PD от sklearn.datasets import load_iris от Sklearn.ensemble import randomforestclassifier # Данные кэша для эффективной загрузки @st.cache_data def load_data (): Iris = load_iris () df = pd.dataframe (iris.data, columns = iris.feature_names) DF ["виды"] = Iris.Target вернуть df, iris.target_names df, target_name = load_data () ]

3. Обучить модель машинного обучения

pip install streamlit scikit-learn numpy pandas

После того, как у нас будут данные, мы обучаем случайного класса -класса для прогнозирования видов цветка на основе его особенностей:

] ] # Обучить randomforestclassifier model = randomforestclassifier () model.fit (df.iloc [:,: -1], df ["виды"]) ]

4. Создание интерфейса ввода

pip install streamlit scikit-learn numpy pandas

Теперь мы создадим слайдеры на боковой панели, чтобы пользователи могли вводить функции для прогнозирования:

] # Боковая панель для пользовательского ввода St.sidebar.title («Входные функции») sepal_length = st.shidebar.slider ("длина чашера", float (df ['upal длина (cm)']. min ()), float (df ['km jense (cm)']. max ()))) sepal_width = st.shidebar.slider ("ширина чашелистика", float (df ['width with (cm)']. min ()), float (df ['ширина чашеля (см)']. max ())))) petal_length = st.shidebar.slider ("длина лепала", float (df ['длина лепестки (cm)']. min ()), float (df ['длина лепестка (cm)']. max ()))) petal_width = st.shidebar.slider ("ширина лепестки", float (df ['ширина лепестки (см)']. min ()), float (df ['ширина лепестки (см)']. max ()))) ]

5. Прогнозирование вида

pip install streamlit scikit-learn numpy pandas

После получения пользовательских входов мы сделаем прогноз, используя обученную модель:

] ] # Подготовьте входные данные input_data = [[sepal_length, sepal_width, petal_length, petal_width]]] # Прогноз Прогнозирование = model.predict (input_data) Prediction_species = target_name [прогноз [0]] # Показать прогноз St.write («Предсказание:») St.write (F'prediced View is {Prediction_species} ') ]
это будет выглядеть как:

]

pip install streamlit scikit-learn numpy pandas

Наконец,

streamlit делает невероятно простым создавать и развернуть веб -интерфейс машинного обучения с минимальными усилиями. ? Всего в нескольких строках кода мы создали интерактивное приложение? Это позволяет пользователям вводить функции и предсказывать виды цветка? Использование модели машинного обучения. ??

]

счастливого кодирования! ? ] ]

]