Streamlit

简介

在训练出一个性能良好且足够准确的 PyCaret 模型后，我们可以考虑将其投入生产使用。毕竟，运行机器学习实验可能很有趣，但我们的主要目标通常是开发出对用户有价值的实用产品或服务。使用机器学习模型最常见的方法是将其部署为Web应用程序或应用程序编程接口（API）。

Python 生态系统提供了大量有助于模型部署的工具和库，包括多种Web应用框架。例如，Django 是一个高级、安全且可扩展的Web框架，能够快速开发和部署应用。另一个流行的库是 Flask，它被称为微框架，因其核心功能简洁，可根据需要通过丰富的扩展库进行功能增强。我们还可以使用专门的框架（如功能强大的 FastAPI 库）将机器学习模型部署为 REST API。在开发完应用或API之后，下一步通常是在云服务平台（如 Amazon Web Services、Microsoft Azure 或 Google Cloud）上进行部署。这些平台提供众多高级功能，包括虚拟机、对基于 Kubernetes 的容器化应用的支持、云存储等。

本章的目标是使用 Streamlit 框架开发机器学习Web应用。我们将聚焦两个案例研究，分别基于回归和分类任务。在完成这些应用开发后，我们将通过 Streamlit Cloud 服务进行部署。

Streamlit 框架

Streamlit 是一个专为简化机器学习与数据科学Web应用开发而设计的 Python 框架。对于初学者而言，它是一个极佳的选择，因为使用简单且具备多种强大功能。Streamlit 提供了多种组件，如单选按钮、复选框、滑块和文本输入框。此外，它支持多种可视化库，可用于绘制 pandas 数据框，例如 Matplotlib、Vega-Lite 和 deck.gl。得益于这些特性，基于 Streamlit 开发机器学习应用变得尤为便捷。

Streamlit Cloud 提供多项高级功能，包括一键部署 GitHub 仓库、代码更新推送后的实时同步、基于 OAuth 或单点登录（SSO）的用户身份验证等。Streamlit Cloud 的社区版对所有人免费开放，但部分功能仅限于按月付费的高级版本使用。