2. Создание Flask приложения**: Создается Flask приложение.
3. Определение маршрутов для API:
– Маршрут `/predict` принимает POST запросы с JSON данными, извлекает изображение, делает предсказание с помощью модели и возвращает результат в формате JSON.
– Маршрут `/` просто возвращает сообщение для проверки работы сервера.
4. Запуск сервера: Запускается Flask сервер на порту 5000.
Развертывание на удаленном сервере
Для развертывания на удаленном сервере, таком как AWS, GCP или любой другой хостинг, выполните следующие шаги:
1. Подготовка окружения:
– Установите Python и необходимые библиотеки (Flask, TensorFlow и др.).
– Убедитесь, что у вас есть доступ к модели.
2. Запуск приложения:
– Перенесите скрипт Flask на сервер.
– Запустите приложение, используя команду `python <имя_вашего_скрипта>.py`.
3. Настройка веб-сервера (опционально):
– Для обработки более высокого трафика и обеспечения надежности можно использовать веб-сервер, такой как Nginx или Apache, в связке с WSGI сервером, например, Gunicorn.
– Пример команды для запуска с Gunicorn:
```bash
gunicorn –bind 0.0.0.0:5000 wsgi:app
```
Этот пример демонстрирует, как развернуть модель машинного обучения в продакшн, предоставив к ней доступ через REST API. В реальной среде можно добавить дополнительную обработку данных, аутентификацию, логирование и другие механизмы для повышения надежности и безопасности вашего приложения.
10. Применение ансамблевых методов для улучшения точности модели
– Задача: Комбинация нескольких моделей для повышения точности.
Ансамблевые методы объединяют несколько моделей для улучшения точности предсказаний по сравнению с использованием одной модели. В этом примере мы рассмотрим два популярных ансамблевых метода: Bagging и Boosting.
Ансамблевые методы
1. Bagging (Bootstrap Aggregating):
– Использует несколько копий одного и того же алгоритма обучения, обученных на различных подвыборках данных.
– Пример: Random Forest, который состоит из множества решающих деревьев.
2. Boosting:
– Построение серии моделей, каждая из которых исправляет ошибки предыдущей.
– Пример: AdaBoost, Gradient Boosting.
Применение ансамблевых методов
1. Bagging: Random Forest
Random Forest состоит из множества решающих деревьев, обученных на различных подвыборках данных. Каждое дерево дает свой прогноз, а итоговый прогноз определяется путем голосования (классификация) или усреднения (регрессия).
```python
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
# Загрузка данных
data = load_iris()
X = data.data
y = data.target
# Разделение на обучающую и тестовую выборки
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# Обучение модели Random Forest
rf_model = RandomForestClassifier(n_estimators=100, random_state=42)
rf_model.fit(X_train, y_train)
# Прогнозирование и оценка точности
y_pred = rf_model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f'Точность модели Random Forest: {accuracy:.4f}')
```
2. Boosting: Gradient Boosting
Gradient Boosting строит серию деревьев, где каждая последующая модель пытается исправить ошибки предыдущих моделей.
```python
from sklearn.ensemble import GradientBoostingClassifier
# Обучение модели Gradient Boosting
gb_model = GradientBoostingClassifier(n_estimators=100, random_state=42)
