模型作为Web端点的介绍

将预测模型作为Web端点

要让一个机器学习模型真正发挥作用，你需要一种方式将其结果共享给组织内的其他服务和应用程序。虽然可以通过批处理流水线预先计算结果并存入数据库，但在许多场景下，仍需实时响应请求并提供最新的预测信息。实现这一目标的一种有效方法是将预测模型部署为Web端点，供其他服务调用。

本章将介绍如何为 scikit-learn 和 Keras 模型设置此类功能，并引入一些 Python 工具，帮助扩展该功能的规模。

托管与调用Web端点

在使用 Python 构建模型流水线时，积累托管和调用Web端点的经验非常重要。在某些情况下，预测模型在做出预测前需要从其他服务获取数据，例如需要获取用户历史记录的额外属性，作为特征工程的输入。本章将重点介绍基于 JSON 的服务，因为 JSON 是一种广泛使用的数据格式，且与 Python 的数据类型兼容良好。

将模型作为端点

将模型作为端点，是指构建一个系统，能够根据一组输入参数返回预测结果。这些参数可以是特征向量、图像或其他类型的模型输入数据。该端点执行预测后，通常以 JSON 格式返回结果。这种方式的优势在于：其他系统可以方便地使用该模型、获得实时预测结果，并可将其集成到更广泛的数据流程中。

本章学习目标

在本章中，我们将：

• 使用 Python 调用Web服务；
• 设置Web端点；
• 保存模型以便用于生产环境；
• 部署和托管 scikit-learn 与 Keras 预测模型；
• 使用 Gunicorn 和 Heroku 扩展服务规模；
• 使用 Plotly Dash 构建交互式Web应用。