In diesem letzten Teil unserer Tutorialreihe werden wir unser trainiertes RandomForestClassifier-Modell als API-Endpunkt mithilfe von Flask, einem leichten Net-Framework für Python, bereitstellen. Lass uns anfangen!
Zuerst müssen wir Flask installieren. Öffnen Sie Ihr Terminal oder Ihre Eingabeaufforderung und führen Sie den folgenden Befehl aus:
pip set up flask
Erstellen Sie eine neue Python-Datei mit dem Namen api.py und öffnen Sie es in einem Texteditor. Fügen Sie den folgenden Code hinzu, um eine Flask-App zu erstellen und den API-Endpunkt zu definieren:
Dieser Code erstellt eine Flask-App und definiert eine /predict Route, die eine JSON-Nutzlast akzeptiert, die die Daten enthält, für die Vorhersagen getroffen werden sollen, das trainierte Modell mit MLflow lädt, Vorhersagen trifft und die Vorhersagen als JSON-Antwort zurückgibt.
Öffnen Sie Ihr Terminal oder Ihre Eingabeaufforderung, navigieren Sie zum Projektverzeichnis und führen Sie den folgenden Befehl aus, um die Flask-App zu starten:
python api.py
Wenn die Flask-App ausgeführt wird, können Sie den API-Endpunkt mit Instruments wie cURL oder Postman testen. Senden Sie eine POST-Anfrage an http://localhost:5002/predict mit einer JSON-Nutzlast, die die Daten enthält, anhand derer Vorhersagen getroffen werden können. Zum Beispiel:
{
"information": [[5.1, 3.5, 1.4, 0.2], [6.2, 2.9, 4.3, 1.3], [6.7, 3.1, 5.6, 2.4]]
}
Die API antwortet mit den vorhergesagten Bezeichnungen für die Eingabedaten wie folgt:
[ 0, 1, 2 ]
Glückwunsch! Sie haben Ihr RandomForestClassifier-Modell mit Flask erfolgreich als API-Endpunkt bereitgestellt. Sie können jetzt Vorhersagen treffen, indem Sie Anfragen an Ihre API senden.
