Развертывание API системы машинного обучения для утверждения ссуды с использованием Flask

гитхаб ссылка

В этой статье показано, как разработать API для модели машинного обучения для утверждения кредита с использованием Flask. Этот API будет доступен через World Wide Web (WWW) с использованием HTTP-запросов, которые определяют протоколы для связи клиент-сервер.

Flask — это легкая веб-инфраструктура, которая позволяет разработчикам легко создавать конечные точки API. Вы можете использовать его для обслуживания прогнозов вашей модели машинного обучения, отправляя запросы к API с учетными данными и параметрами. Затем API вернет ответ.

Таким образом, внешний интерфейс приложения собирает такую информацию, как пол, семейное положение, кредитная история, доход заявителя и сумма кредита от заявителя. Затем эта информация отправляется на предопределенный URL-адрес на серверной части, когда пользователь нажимает кнопку «проверить статус».

Серверная часть содержит несколько функций, также известных как конечные точки API, которые выполняют различные задачи и генерируют ответ. Эти функции развернуты в облаке и запускаются соответствующим URL-адресом. Связь между интерфейсом и сервером поддерживается WWW (Всемирная паутина) и HTTP (протокол передачи гипертекста). API действует как интерфейс, который получает запросы от клиента и возвращает ответы, подобно официанту в ресторане. Flask — это фреймворк, который сопоставляет конечные точки API с функциями.

С появлением машинного обучения и искусственного интеллекта стало возможным автоматизировать различные бизнес-процессы, одним из которых является одобрение кредита.

В этой статье мы будем использовать библиотеку pickle для загрузки обученной модели машинного обучения в наше приложение Flask, а затем создадим конечные точки для обработки входящих HTTP-запросов.

Начнем с импорта необходимых библиотек:

import pickle
from flask import Flask, request, jsonify

Далее мы создаем экземпляр класса Flask и загружаем обученную модель машинного обучения в наше приложение:

app = Flask(__name__)

model_pickle = open ("./artefacts/classifier.pkl","rb")
clf = pickle.load(model_pickle)

В Flask вы можете сопоставить URL-адрес функции с помощью декоратора. Например, вот как вы можете создать конечную точку для URL-адреса /ping, которая возвращает сообщение, чтобы вы знали, что API работает:

@app.route(“/ping”,methods=[‘GET’]) 
def ping(): 
  return {“message”:”Hi there I am working”}

Затем мы создаем конечную точку для прогнозирования. В этой конечной точке мы получаем информацию о запросе кредита из входящего запроса JSON и используем ее для прогнозирования с использованием обученной модели машинного обучения. Затем мы возвращаем прогноз в виде ответа JSON:

@app.route("/predict",methods=["POST"])
def prediction():
  """
  Returns loan application status using ML model
  """

  loan_req = request.get_json()
  print(loan_req) 

  if loan_req['Gender'] == "Male":
        Gender = 0
  else:
        Gender = 1
 
  if loan_req['Married'] == "Unmarried":
        Married = 0
  else:
        Married = 1
 
  if loan_req['Credit_History'] == "Unclear Debts":
        Credit_History = 0
  else:
        Credit_History = 1  
    
  ApplicantIncome = loan_req['ApplicantIncome']
  LoanAmount = loan_req['LoanAmount'] / 1000
 
    # Making predictions 
  prediction = clf.predict( 
        [[Gender, Married, ApplicantIncome, LoanAmount, Credit_History]])
     
  if prediction == 0:
        pred = 'Rejected'
  else:
        pred = 'Approved'

  result = {
        'loan_approval_status': pred
    }

  return jsonify(result)

Вот и все! Теперь у вас есть работающий API для модели машинного обучения для утверждения кредита с использованием Flask. Теперь вы можете развернуть этот API на веб-сервере и начать использовать его для прогнозирования.

В заключение, Flask упрощает для разработчиков создание и развертывание модели машинного обучения в виде API. Предоставленный нами код показывает простой пример использования Flask для разработки API утверждения кредита, который использует модель машинного обучения.

Итак, если вы хотите создать систему одобрения кредита или любое другое приложение для машинного обучения, Flask — отличное место для начала.

Развертывание API системы машинного обучения для утверждения ссуды с использованием Flask

Вопросы по теме