利用flask將機器學習模型嵌入到web系統中

在這篇文章中，主要介紹如何將一個機器學習的模型嵌入到web系統中，這篇文章的主要內容包括：

1、利用flask構建一個簡單的web

2、將機器學習模型嵌入到web系統中

3、根據用戶的反饋來更新模型

主要包括三個頁面，評論提交頁面、分類結果頁面、感謝頁面。當用戶提交評論後跳轉到結果頁面，後台根據已有的模型來預測用戶評論是屬於正面評論還是負面評論，返回屬於哪一種評論並且返回屬於該種類的概率為多少。提供兩個用戶反饋結果按鈕，如果用戶點擊正確按鈕，則說明預測正確，否則預測錯誤，並將結果保存到SQLlite資料庫中，然後再跳轉到感謝頁面。

一、項目結構

db：目錄中存放SQLite資料庫文件。

pkl：存放模型文件，stopwords.pk為停用詞文件，classifer.pkl為模型文件。

static：為靜態文件目錄，主要存放js和css文件。

templates：為模板文件目錄，用來存放html文件。

app.py：主要文件，包含界面跳轉和模型預測等功能。

updatePkl.py：為模型更新文件。

vectorizer.py：將評論轉換成為特徵向量便於預測。

二、界面說明

界面做的比較簡單，沒有過多的去調整的樣式，主要是實現功能。

1、用戶提交評論界面

用戶在這個界面可以輸入自己的評論，並提交。

2、分類結果頁面

用戶可以通過這個頁面查看自己評論的分類結果，並可以進行相應的反饋。如果，用戶沒有確認是否正確，SQLite資料庫中將不會保存這條評論所屬的類別。

3、感謝頁面

通過這個界面可以跳轉到，提交評論界面。利用SQLiteStudio可以查看資料庫保存評論

三、功能的實現

1、將評論轉成特徵向量

2、主要功能

3、模型更新

為什麼要將更新模型用另一個文件運行，而不是在用戶提交反饋之後就直接更新模型？

如果在同一時間評論的用戶多的話，直接在用戶提交反饋之後就更新模型，可能會造成在更新模型文件的時候會損壞模型文件。建議，在本地更新模型文件之後，再上傳到伺服器。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！