Streamlit – это библиотека Python с открытым исходным кодом, с помощью которой можно легко создавать красивые настраиваемые веб-приложения для машинного обучения и обработки данных и делиться ими за считанные минуты. Опыт фронтенд-разработки не требуется. Таким образом, Streamlit экономит ваше время на изучение новой технологии для создания внешнего интерфейса для веб-приложения для машинного обучения или обработки данных.

Прежде чем приступить к работе, вам необходимо установить Python (версия ≥ 3.8 и версия != 3.9.7), PIP и IDE или текстовый редактор (здесь я использую Visual Studio Code). Затем вы можете легко установить Streamlit с помощью PIP, как показано ниже.

Откройте терминал (командная строка) и выполните:

pip install streamlit

Затем запустите следующее, чтобы проверить, все ли у вас настроено или нет:

streamlit hello

Если в вашем браузере откроется приложение Streamlit Hello, все готово!

Прежде чем перейти к части машинного обучения, давайте сначала рассмотрим основы Streamlit. Вы можете импортировать Streamlit в свой код Python следующим образом.

import streamlit as st

Затем вы можете использовать следующие элементы и виджеты и получать удовольствие. Попробуйте изменить их параметры и увидеть отличия. Есть намного больше, чем это. Подробнее о них можно узнать здесь.

Чтобы запустить веб-приложение Streamlit:

streamlit run test.py

Теперь вы можете просматривать свое приложение Streamlit в браузере. На следующем снимке экрана моего веб-браузера показано, как выглядит веб-приложение, связанное с приведенным выше кодом.

Давайте перейдем к части машинного обучения. Здесь я обучил регрессионную модель, используя набор данных о зарплате. Этот набор данных включает шесть столбцов. Это возраст, пол, уровень образования, должность, опыт работы и зарплата (в долларах США). Чтобы построить эту модель, я следовал общему подходу. Сначала я импортировал библиотеки и загрузил набор данных. Затем я визуализировал данные и занимался проектированием признаков. После разделения данных на обучение и тестирование данные были помещены в модель линейной регрессии. Наконец, я закинул модель в файл Pickle. Все файлы проекта можно найти здесь.

Следующая часть кода обрабатывает входные данные в обученную модель и получает прогнозируемую зарплату.

Окончательный результат веб-приложения машинного обучения выглядит следующим образом.

Спасибо, что прочитали!