钻石价格预测的ML全流程！从模型构建调优道部署应用！⛵

原创

ShowMeAI

发布于 2022-08-09 22:02:43

8220

发布于 2022-08-09 22:02:43

💡 作者：韩信子@ShowMeAI 📘 数据分析 ◉ 技能提升系列：http://www.showmeai.tech/tutorials/33 📘 AI 面试题库系列：http://www.showmeai.tech/tutorials/48 📘 本文地址：http://www.showmeai.tech/article-detail/302 📢 声明：版权所有，转载请联系平台与作者并注明出处 📢 收藏ShowMeAI查看更多精彩内容

我们经常会谈到工业界端到端的机器学习建模，所谓端到端，是指的把整个过程构建在一个完整的流程（比如pipeline管道）中，包括数据侧的处理、模型建模调优，及模型部署应用等环节，如我们之前所说，完整的机器学习开发流程如下：

在本篇内容中，ShowMeAI将给大家讲解到下述内容：

使用 PyCaret 构建端到端机器学习管道
ML 模型部署 & FastAPI 开发实时预测

💡 工具库

📌 PyCaret

PyCaret 是一个开源的低代码机器学习库，内置Python端到端模型管理工具，被用于自动化机器学习工作流。因其易用性、简单性以及快速高效地构建和部署端到端 ML 原型的能力而广受欢迎。

更多有关 PyCaret 的信息，可以在官方 📘 GitHub 查看。

我们先通过 pip 安装 pycaret 工具库：

pip install pycaret

📌 FastAPI

FastAPI 是一个快速（高性能）的Web框架，主要特点是：

快速：非常高的性能，是目前可用的最快的 Python 框架之一。
快速编码 ：将开发速度提高2到3倍。
简单：易于学习和使用。

更多有关 FastAPI 的信息，请查看官方 📘 GitHub 。

我们也通过 pip 安装 fastapi：

pip install fastapi

💡 业务背景

本篇内容中涉及的案例来自达顿商学院（案例研究发表在 📘 哈佛商学院），案例中收集了 6000 颗钻石的数据，包括它们的价格和切工、颜色、形状等属性。

💡 数据

我们在本篇内容中，使用钻石的克拉重量、切工、颜色和其他特征等属性来预测钻石的价格。数据集可从 📘 此处下载。

# 加载数据
from pycaret.datasets import get_data
data = get_data('diamond')

💡 探索性数据分析

我们先做一些快速数据分析和可视化来评估数据字段属性（重量、切工、颜色、净度等）与目标变量/标签Price的关系。

# 绘制carat_weight和Price的散点图
import plotly.express as px
fig = px.scatter(x=data['Carat Weight'], y=data['Price'], facet_col = data['Cut'], opacity = 0.25, template = 'plotly_dark', trendline='ols', trendline_color_override = 'red', title = 'SARAH GETS A DIAMOND - A CASE STUDY')
fig.show()

我们绘制并了解一下目标变量Price的分布。

# 绘制灰度图查看分布
fig = px.histogram(data, x=["Price"], template = 'plotly_dark', title = 'Histogram of Price')
fig.show()

可以从上图看出Price是明显右偏分布的，对于有偏的分布，我们可以做一些数据变换以调整数据分布，比如对数变换，下面我们先用对数变换对Price进行处理。

import numpy as np

# 构建一份数据备份
data_copy = data.copy()

# log对数变换
data_copy['Log_Price'] = np.log(data['Price'])

# 绘制灰度图查看分布
fig = px.histogram(data_copy, x=["Log_Price"], title = 'Histgram of Log Price', template = 'plotly_dark')

fig.show()

大家可以明显看到，经过log变换后的数据分布，更加接近正态分布。

💡 数据准备

我们先导入PyCaret工具库，并做基本的设置。

# 初始化
from pycaret.regression import *
s = setup(data, target = 'Price', transform_target = True)

注意上面的 transform_target = True，PyCaret会对Price字段使用 box-cox 变换，这个变换与对数转换是类似的，也能对有偏分布进行校正。

💡 模型选择&训练&调优

数据准备完毕后，我们使用模型对其进行训练，pycaret中最简单的方式是使用 compare_models函数，它使用交叉验证来训练和评估模型库中可用的模型，它的返回值是具有平均交叉验证分数的评分网格。这个过程只需要下列简单代码：

# 对所有可用模型进行实验和评估
best = compare_models()

上图是最终的实验结果，我们可以看到，对所有模型使用平均绝对误差 (MAE) 评估，CatBoost Regressor模型有最好的效果。

# 训练模型的预估结果残差
plot_model(best, plot = 'residuals_interactive')

# 输出特征重要度
plot_model(best, plot = 'feature')

💡 模型保存

我们把最优模型保存为 pickle 文件。

# 最佳模型
final_best = finalize_model(best)

# 存储模型
save_model(final_best, 'diamond-pipeline')

💡 模型部署

下面我们演示使用FastAPI框架快速构建模型服务，并提供实时预估的能力。

# 导入工具库
import pandas as pd
from pycaret.regression import load_model, predict_model
from fastapi import FastAPI
import uvicorn

# 构建app对象
app = FastAPI()

# 加载模型
model = load_model('diamond-pipeline')

# 定义预估函数
@app.post('/predict')
def predict(carat_weight, cut, color, clarity, polish, symmetry, report):
    data = pd.DataFrame([[carat_weight, cut, color, clarity, polish, symmetry, report]])
    data.columns = ['Carat Weight', 'Cut', 'Color', 'Clarity', 'Polish', 'Symmetry', 'Report']

    predictions = predict_model(model, data=data) 
    return {'prediction': int(predictions['Label'][0])}

if __name__ == '__main__':
    uvicorn.run(app, host='127.0.0.1', port=8000)

接下来可以通过终端命令行运行以下命令来运行这个服务，大家确保运行命令的路径和上述python脚本和以及模型存储pickle文件在同一位置。