本篇内容 ShowMeAI 将帶大家學習，從頭開始建構機器學習管道，使用 Flask 架構建構 Web 應用程式，并部署到雲伺服器上的過程。具體包括：
- 何為機器學習應用部署
- 基于 PyCaret 開發機器學習全流程
- 基于 Flask 搭建簡易前端 Web 應用程式
- 在 Heroku 雲上部署機器學習應用
本示例中的應用為保險金額預估，部署好的雲端服務頁面如下圖所示，可以點選 📘這裡體驗。
💡 環境&工具
💦 PyCaret
📘PyCaret 是一個開源的低代碼機器學習庫，用于在生産中訓練和部署機器學習管道/流水線和模型。我們可以通過
pip
安裝 PyCaret。
# 安裝pycaret
pip install pycaret
複制代碼 複制
💦 Flask
📘Flask 是一個用于在 Python 中建構 Web 應用程式的輕量化架構。我們本次的應用需要部署成Web端可互動操作使用的形态，會用到這個工具庫，我們同樣可以通過
pip
安裝它。
# 安裝flask
pip install flask
複制代碼 複制
💦 Heroku
📘 Heroku 是一個平台即服務（PaaS），它支援基于托管容器系統部署 Web 應用程式，具有內建的資料服務和強大的生态系統。我們将基于它将應用程式部署到雲端，進而大家可以直接通過 URL 在浏覽器端通路應用。
💡 部署機器學習服務
在企業的實際生産中，我們經常會把機器學習模型建構成服務形态，這樣協作的開發同僚可以通過接口（API）來通路模型服務，完成預估任務，這被稱為部署機器學習應用過程。
更全一點說，生産中使用機器學習管道有兩種廣泛的方式：
- 批量預測
将模型或管道存儲在磁盤中，定期運作腳本，加載模型和資料，生成預測并将輸出寫入磁盤。這種情況下，多個預測會并行。它對于時效性要求不高。
- 線上預測
需要實時預測，大家使用到的很多 app，其實都是輸入資訊，然後在單擊送出按鈕時，實時預估生成預測的。比如你在電商平台輸入搜尋詞，點選查詢，可以看到模型排序好的結果清單傳回。
本教程中，我們講解的是『線上預測』這種模式。我們将首先使用 PyCaret 在 Python 中建構機器學習管道，然後使用 Flask 建構 Web 應用程式，最後将所有這些部署在 Heroku 雲上。
整個機器學習管道（pipeline）如下圖所示：
💡 場景案例&手把手
本案例中用作示例的資料來自保險場景，保險公司希望通過使用人口統計學資訊和基本患者健康風險特征，更準确地預測患者保單費用，以優化其使用的現金流預測的準确性。資料是 PyCaret 自帶的，資料的簡單速覽如下：
下面我們逐漸完成機器學習管道建構與雲端部署的過程。
💦 第一步：建構機器學習流水線
我們把整個模組化過程建構為一個流水線，這裡我們使用 PyCaret，幾乎可以自動化地完成這個過程。
# 加載資料
from pycaret.datasets import get_data
data = get_data('insurance')
# 初始化設定
from pycaret.regression import *
s = setup(data, target = 'charges', session_id = 123, normalize = True, polynomial_features = True, trigonometry_features = True, feature_interaction=True, bin_numeric_features= ['age', 'bmi'])
複制代碼 複制
上述的代碼會自動化完成資料轉換，轉換後的資料集有 62 個用于訓練的特征，這些特征由原始資料集的 7 個特征變換而來。以下為對應的特征清單：
使用PyCaret進行模組化和評估非常簡單，下面示例代碼中，我們選擇邏輯回歸模型，并進行10折交叉驗證：
# 模型訓練
lr = create_model('lr')
複制代碼 複制
# 繪制訓練模型的殘差
plot_model(lr, plot='residuals')
複制代碼 複制
上述流程之後，我們可以使用該
save_model
函數儲存整個模組化流水線。
# 儲存轉換流水線和模型
save_model(lr, model_name='/username/ins/deployment')
複制代碼 複制
這樣我們就快速完成了第 1 步，注意，實際業務場景下，大家會做更精細化的資料清洗、特征工程和模型調優，我們本次的目标是給大家示範從模組化到部署的全流程方法，是以這個部分相對簡略。
PyCaret 自動化模組化的輸出是一個流水線/pipeline，包含幾個資料轉換步驟（如特征工程、縮放、缺失值插補等）和機器學習模型。流水線儲存為
pkl
格式的檔案，我們在後續建構 Flask 應用程式會使用到它。
💦 第二步：使用 Flask 建構前端應用程式
在完成我們的機器學習流水線和模型之後，我們要開始開發 Web 應用程式，它由兩個部分組成：
- 前端（基于 HTML 建構網頁端可顯示和互動的内容）
- 後端（基于 Flask 開發完成接收請求後可以進行預估的程式）
① Web 應用前端
很多 Web 應用程式的前端都是使用 HTML 建構的，我們在本篇内容中不會深入講解前端相關的内容。為了建構一個輸入表單（以接收使用者實時預估時輸入的字段取值），我們基于一個基本的 HTML 模闆完成前端網頁，然後包含一個 CSS 樣式表。
◉ HTML 代碼實作
以下是我們 Web 應用程式首頁的 HTML 代碼。
<!DOCTYPE html>
<html>
<head>
<meta charset="UTF-8">
<title>Predict Insurance Bill</title>
<link href='https://fonts.googleapis.com/css?family=Pacifico' rel='stylesheet' type='text/css'>
<link href='https://fonts.googleapis.com/css?family=Arimo' rel='stylesheet' type='text/css'>
<link href='https://fonts.googleapis.com/css?family=Hind:300' rel='stylesheet' type='text/css'>
<link href='https://fonts.googleapis.com/css?family=Open+Sans+Condensed:300' rel='stylesheet' type='text/css'>
<link type="text/css" rel="stylesheet" href="{{ url_for('static', filename='./style.css') }}">
</head>
<body>
<div class="login">
<h1>Predict Insurance Bill</h1>
<!-- Form to enter new data for predictions -->
<form action="{{ url_for('predict')}}"method="POST">
<input type="text" name="age" placeholder="Age" required="required" /><br>
<input type="text" name="sex" placeholder="Sex" required="required" /><br>
<input type="text" name="bmi" placeholder="BMI" required="required" /><br>
<input type="text" name="children" placeholder="Children" required="required" /><br>
<input type="text" name="smoker" placeholder="Smoker" required="required" /><br>
<input type="text" name="region" placeholder="Region" required="required" /><br>
<button type="submit" class="btn btn-primary btn-block btn-large">Predict</button>
</form>
<br>
<br>
</div>
{{pred}}
</body>
</html>
複制代碼 複制
大家如果要建構簡單的應用程式，不需要專門去學一遍 HTML 的進階知識。大家在網際網路上可以找到大量 HTML 和 CSS 模闆，甚至有些 📘線上平台 可以通過使用拖拽建構使用者界面，并快速生成對應的 HTML 代碼。
◉ CSS 樣式表 CSS 負責描述 HTML 元素在螢幕上的呈現樣式，借助 CSS 可以非常有效地控制應用程式的布局。存儲在樣式表中的資訊包括邊距、字型大小和顔色以及背景顔色。這些資訊以 CSS 擴充名的檔案格式存儲在外部位置，主 HTML 檔案包含對 CSS 檔案的引用。
② Web 應用後端
下面我們完成這個應用的後端，我們在 Python 中可以使用 Flask 工具庫完成。關于 Flask 的詳細知識大家可以參考 📘官方網站。我們的部分代碼如下：
在雲端部署之前，我們需要在本地測試應用是否正常工作。我們在指令行運作
python app.py
：
python app.py
複制代碼 複制
上圖中大家可以在最後一行看到本地的測試 URL，我們把它粘貼到浏覽器可以檢視 Web 應用程式是否正常。我們還可以通過輸入一些測試資料來檢查預測功能是否正常運作。如下例中，我們輸入資訊：19 歲、吸煙、西南地區、沒有孩子、女性，模型預測住院費用為 20900 美元。
好啦，測試完畢，完全可以正常工作，我們在下一步把它部署到雲端。
💦 第三步：在 Heroku 上部署 ML 流水線和應用程式
模型訓練完成後，機器學習流水線已經準備好，且完成了本地測試，我們現在準備開始部署到 Heroku。有多種方法可以完成這個步驟，最簡單的是将代碼上傳 GitHub ，并連接配接 Heroku 帳戶完成部署。
下圖是上傳好的截圖，大家可以在 📘www.github.com/pycaret/dep… 檢視。
将所有檔案上傳到 GitHub 後，我們就可以開始在 Heroku 上進行部署了。如下為操作步驟：
① 注冊并點選 『 建立新應用 』
在 📘heroku 上可以完成上述操作，如下圖所示
② 輸入應用名稱和地區
③ 連接配接到托管代碼的 GitHub 存儲庫
④ 部署分支
⑤ 等待部署完成
部署完成後，在有網絡的情況下，就都可以通路對應的應用程式了 📘https ://pycaret-insurance.herokuapp.com/。
參考資料
- 📘 PyCaret：www.pycaret.org/
- 📘 Flask：flask.palletsprojects.com/en/2.2.x/
- 📘 Heroku：www.heroku.com/
- 📘 HTML 和 CSS 模闆線上平台：www.vvveb.com/vvvebjs/edi…
- 📘 Flask 的詳細知識：dormousehole.readthedocs.io/en/latest/