是一个强大的开放式框架框架，可以为创建学习，只需几行Python代码。 它很简单，直觉，，这是对初学者和经验丰富的开发人员的绝佳工具，他们希望快速部署机器学习模型。 在此博客中，我将使用RandomForeStClassifier。，使用

构建基本的简化应用程序和

开始

在进入项目之前，让我们浏览一些基本的简化功能，以适应框架。您可以使用以下命令安装简化：

PIP安装简化 一旦安装，您就可以通过创建一个python文件，例如app.py来启动第一个应用程序，然后使用以下方式运行它：

简化运行app.py

现在，让我们探索简化的核心功能：

1。编写标题并显示文本

导入简报为ST ＃写标题 圣提特（“ Hello World”） ＃显示简单文字 St.Write（“显示一个简单的文本”）

pip install streamlit

2。显示dataframes

导入大熊猫作为pd ＃创建数据框 df = pd.dataframe（{ “第一列”：[1，2，3，4]， “第二列”：[5，6，7，8] }）） ＃显示数据框 St.Write（“显示数据框”） 圣沃特（DF）

pip install streamlit

3。用图表

可视化数据

导入numpy作为NP ＃生成随机数据 Chart_data = pd.dataframe（ np.random.randn（20，4），列= ['a'，'b'，'c'，'d'] ） ＃显示行图 st.line_chart（Chart_data） [2

4。用户互动：文本输入，滑块和选择框

import streamlit as st

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

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

slemlit

启用交互式小部件，例如文本输入，滑块和选择基于用户输入动态更新的框。 ＃文本输入 name = st.text_input（“您的名字是：”） 如果名称： St.Write（f'hello，{name}'） ＃ 滑块 age = st.Slider（“选择您的年龄：”，0，100，25） 如果年龄： St.Write（您的年龄是：{age}'） ＃选择框 选择= [“ Python”，“ Java”，“ JavaScript”] lang = St.Selectbox（“最喜欢的编程语言”，选择） 如果Lang： St.Write（f'favorite编程语言为{lang}'）

[2

5。文件上传

您可以允许用户上传文件，并在

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)

＃CSV文件的文件上传器 file = st.file_uploader（'选择CSV文件'，'CSV'） 如果文件： data = pd.read_csv（文件） St.Write（数据） [2

使用简化构建机器学习项目

既然您熟悉基础知识，那么让我们开始创建一个

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)

Scikit-Learn

。

加载数据集。

训练RandomForestClassifier。 允许用户使用滑块输入功能。
基于输入功能进行预测物种。

# 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}')

首先，让我们安装必要的库：

PIP安装简化Scikit-Learn Numpy Pandas

2。导入库和加载数据
让我们导入必要的库并加载虹膜数据集： 导入简报为ST 导入大熊猫作为pd 来自sklearn.datasets import load_iris 从sklearn.semblection incort intim ＃用于有效加载的缓存数据 @st.cache_data def load_data（）： iris = load_iris（） df = pd.dataframe（iris.data，列= iris.feature_names） df [“物种”] = iris.target 返回df，iris.target_names df，target_name = load_data（）

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

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

3。训练机器学习模型

一旦获得数据，我们将根据其特征来训练随机foreStclassifier，以预测花的物种：

＃火车RandomForestClassifier 模型= RandomForestClassifier（） model.fit（df.iloc [：，：-1]，df [“物种”]）

4。创建输入界面

现在，我们将在侧边栏中创建滑块，以允许用户输入以进行预测： ＃用户输入的侧栏 St.Sidebar.title（“输入功能”） sepal_length = st.sidebar.slider（“ sepal length”，float（df ['sepal length（cm）']。min（）），float（df ['sepal length（cm）']。max（））） sepal_width = st.sidebar.slider（“ sepal width”，float（df ['sepal width（cm）']。min（）），float（df ['sepal width（cm）']。max（）））））））））））））））） petal_length = st.sidebar.slider（“花瓣长度”，float（df ['花瓣长度（cm）']。min（）），float（df ['花瓣长度（cm）']。max（）））。 petal_width = st.sidebar.slider（“花瓣宽度”，float（df ['花瓣宽度（cm）']。min（）），float（df ['花瓣宽度（cm）']。max（））） 5。预测物种 获得用户输入后，我们将使用训练有素的模型进行预测：

＃准备输入数据 input_data = [[[sepal_length，sepal_width，petal_length，petal_width]]] ＃ 预言 预测= model.predict（input_data） prediction_species = target_name [预测[0]] ＃显示预测 St.Write（“预测：”） St.Write（f'predixed物种是{prediction_species}'） 这将看起来像：

[2 [2 最后，

slemlit
• 使创建和部署机器学习Web界面非常容易。 ？在仅几行代码中，我们构建了一个交互式应用程序？这使用户能够输入特征并预测花的种类？使用机器学习模型。 ??
• 快乐编码！ ？