哪个平台做网站好,wordpress默认页面,深圳建设工程网,免费建网站代理Streamlit从入门到精通 系列#xff1a;
翻译: Streamlit从入门到精通 基础控件 一翻译: Streamlit从入门到精通 显示图表Graphs 地图Map 主题Themes 二
1. 构建一个机器学习应用程序
在这一部分#xff0c;我将带你了解我做的一个关于贷款预测的项目。
贷款的主要利润直…Streamlit从入门到精通 系列
翻译: Streamlit从入门到精通 基础控件 一翻译: Streamlit从入门到精通 显示图表Graphs 地图Map 主题Themes 二
1. 构建一个机器学习应用程序
在这一部分我将带你了解我做的一个关于贷款预测的项目。
贷款的主要利润直接来自于贷款的利息。贷款公司在进行了一系列严格的审核和验证过程后才会授予贷款。然而他们仍然不能保证申请人是否能够毫无困难地偿还贷款。在这个教程中我们将构建一个预测模型随机森林分类器来预测申请人的贷款状态。我们的任务是准备一个网络应用使其能够在生产环境中使用。
首先我们从导入应用程序所需的必要库开始
import streamlit as st
import pandas as pd
import numpy as np
import pickle
#to load a saved modelimport base64 #to open .gif files in streamlit app在这个应用程序中我们将使用多个小部件作为滑块在侧边栏菜单中选择框和单选按钮为此我们将准备一些Python函数。这个例子将是一个简单的演示它有两个页面。在主页上它将显示我们选择的数据而“探索”页面将允许您在图表中可视化变量“预测”页面将包含带有“预测”按钮的变量该按钮将允许您估计贷款状态。下面的代码为您在侧边栏提供了一个选择框使您能够选择一个页面。数据进行了缓存因此无需不断重新加载。
st.cache是一种缓存机制即使在从网络加载数据、处理大型数据集或执行昂贵的计算时也能让您的应用保持高效。
st.cache(suppress_st_warningTrue)
def get_fvalue(val): feature_dict {No:1,Yes:2} for key,value in feature_dict.items(): if val key: return valuedef get_value(val,my_dict): for key,value in my_dict.items(): if val key: return valueapp_mode st.sidebar.selectbox(Select Page,[Home,Prediction]) #two pages在主页上我们将展示演示图片 / 数据集 / 申请人收入和贷款金额的直方图。
注我们将使用if/elif/else来在不同页面间切换。
我们将把loan_dataset.csv文件加载到名为data的变量中这将使我们能够在主页上展示其中的几行数据。
if app_modeHome: st.title(LOAN PREDICTION :) st.image(loan_image.jpg) st.markdown(Dataset :) datapd.read_csv(loan_dataset.csv) st.write(data.head()) st.markdown(Applicant Income VS Loan Amount ) st.bar_chart(data[[ApplicantIncome,LoanAmount]].head(20))然后在预测页面
elif app_mode Prediction: st.image(slider-short-3.jpg) st.subheader(Sir/Mme , YOU need to fill all necessary informations in order to get a reply to your loan request !) st.sidebar.header(Informations about the client :) gender_dict {Male:1,Female:2} feature_dict {No:1,Yes:2} edu{Graduate:1,Not Graduate:2} prop{Rural:1,Urban:2,Semiurban:3} ApplicantIncomest.sidebar.slider(ApplicantIncome,0,10000,0,) CoapplicantIncomest.sidebar.slider(CoapplicantIncome,0,10000,0,) LoanAmountst.sidebar.slider(LoanAmount in K$,9.0,700.0,200.0) Loan_Amount_Termst.sidebar.selectbox(Loan_Amount_Term,(12.0,36.0,60.0,84.0,120.0,180.0,240.0,300.0,360.0)) Credit_Historyst.sidebar.radio(Credit_History,(0.0,1.0)) Genderst.sidebar.radio(Gender,tuple(gender_dict.keys())) Marriedst.sidebar.radio(Married,tuple(feature_dict.keys())) Self_Employedst.sidebar.radio(Self Employed,tuple(feature_dict.keys())) Dependentsst.sidebar.radio(Dependents,options[0,1 , 2 , 3]) Educationst.sidebar.radio(Education,tuple(edu.keys())) Property_Areast.sidebar.radio(Property_Area,tuple(prop.keys())) class_0 , class_3 , class_1, class_2 0,0,0,0 if Dependents 0: class_0 1 elif Dependents 1: class_1 1 elif Dependents 2: class_2 1 else: class_3 1 Rural,Urban,Semiurban0,0,0 if Property_Area Urban : Urban 1 elif Property_Area Semiurban : Semiurban 1 else : Rural1我们编写了两个函数get_value(val, my_dict)和get_fvalue(val)以及字典feature_dict用于操作st.sidebar.radio()来处理非数字变量。这是可选的你可以轻松地做类似这样的事情 让我们看看为什么我们这样做。
注意机器学习算法不能处理分类变量。在数据集中我做了一些特征工程。例如列Married有两个变量’Yes’和’No’我进行了标签编码看一下以便更好地理解所以NO等于1Yes等于2。函数get_fvalue(val)可以轻松返回值1/2取决于客户选择的是什么。函数get_value(val,my_dict)也是如此。这两个函数的区别在于第一个处理yes/no特征第二个则适用于当我们有多个变量的一般情况例如性别。
正如我们所看到的变量Dependents有四个类别’0’、‘1’、‘2’和’3’我们不能将这样的东西转换为数值变量而且我们有’3’意味着Dependents可以取3、4、5… 我们进行了独热编码看一下以便更好地理解因此我们创建了一个包含四个元素的侧边栏单选框每个元素都有一个二进制变量如果客户选择了’0’class_0将等于1其他的将等于0。 我们对“Property_Area”进行了独热编码因此我们创建了3个变量农村、城市、半城市。当“农村”取1时其他变量将等于0。 那么我们已经看到了这两点——当我们标记或对我们的特征进行独热编码时以及如何处理这些编码以成功创建一个运行中的Streamlit应用程序。 data1{ Gender:Gender, Married:Married, Dependents:[class_0,class_1,class_2,class_3], Education:Education, ApplicantIncome:ApplicantIncome, CoapplicantIncome:CoapplicantIncome, Self Employed:Self_Employed, LoanAmount:LoanAmount, Loan_Amount_Term:Loan_Amount_Term, Credit_History:Credit_History, Property_Area:[Rural,Urban,Semiurban], } feature_list[ApplicantIncome,CoapplicantIncome,LoanAmount,Loan_Amount_Term,Credit_History,get_value(Gender,gender_dict),get_fvalue(Married),data1[Dependents][0],data1[Dependents][1],data1[Dependents][2],data1[Dependents][3],get_value(Education,edu),get_fvalue(Self_Employed),data1[Property_Area][0],data1[Property_Area][1],data1[Property_Area][2]] single_sample np.array(feature_list).reshape(1,-1)现在我们会把我们的变量存储在一个字典中因为我们写了get_value(val,my_dict)和get_fvalue(val)来处理字典。之后客户在我们的Streamlit应用中将选择的输入将被整理在一个名为feature_list的列表中然后转换为一个名为single_sample的numpy变量。
注意特征的输入必须按照数据集列的相同顺序排列例如已婚不能取性别的输入。 if st.button(Predict): file_ open(6m-rain.gif, rb) contents file_.read() data_url base64.b64encode(contents).decode(utf-8) file_.close() file open(green-cola-no.gif, rb) contents file.read() data_url_no base64.b64encode(contents).decode(utf-8) file.close() loaded_model pickle.load(open(Random_Forest.sav, rb)) prediction loaded_model.predict(single_sample) if prediction[0] 0 : st.error( According to our Calculations, you will not get the loan from Bank ) st.markdown( fimg srcdata:image/gif;base64,{data_url_no} altcat gif, unsafe_allow_htmlTrue,) elif prediction[0] 1 : st.success( Congratulations!! you will get the loan from Bank ) st.markdown( fimg srcdata:image/gif;base64,{data_url} altcat gif, unsafe_allow_htmlTrue, )最后我们将把保存的RandomForestClassifier模型加载到loaded_model中并将其预测结果即0或1分类问题保存在prediction中。.gif文件将被存储在file和file_中。根据prediction的值我们将有两种情况“成功”或“失败”来决定是否能从银行获得贷款。
这是我们的预测页面 故障情况下输出将如下所示 在成功的情况下输出将如下所示
代码
https://github.com/Nadiaa1/Streamlit_app
