模型的网页部署

1. 立项背景和目标
背景： 基于 PyCaret 内置的鸢尾花（Iris）经典三分类数据集，构建一个自动化机器学习分类流水线，并部署为可交互的 Web 页面，降低机器学习模型的展示与使用门槛。
目标：
使用 PyCaret 自动完成数据探索、多模型对比训练，选出最优分类模型
基于 Gradio 将该模型部署为本地可访问的 Web 预测界面
用户输入 4 个花瓣特征数值，即可实时获得物种预测结果

2. 软件功能与核心功能模块
模块 说明
数据加载与探索 调用 pycaret.datasets.get_data('iris') 加载 150×5 的鸢尾花数据，打印行列数、前5行、统计描述、缺失值、列名
PyCaret 环境初始化 创建 ClassificationExperiment 对象，以 species 为 target，session_id=42 固定随机种子
模型训练与比较 调用 exp.compare_models(exclude=['lightgbm']) 自动训练并对比多种算法，取 .best 作为最优模型
Gradio 网页部署 定义 predict() 函数封装 4 个数值输入 → PyCaret 预测 → 返回物种标签；构建 gr.Interface 页面并启动服务

3. 业务流程与功能路径
代码执行流程（代码.py）：
数据加载 → get_data('iris') 获取 DataFrame，打印基本信息（shape、head、describe、nulls、columns）
初始化 PyCaret 实验 → ClassificationExperiment().setup(data, target='species') 完成数据预处理、特征工程等配置
模型训练与比较 → exp.compare_models() 自动训练多种算法（逻辑回归、随机森林、SVM 等），选出最优模型 best
定义预测函数 → predict(sepal_len, sepal_wid, petal_len, petal_wid)：将 4 个输入构造为单行 DataFrame，调用 exp.predict_model(best, df)，返回 prediction_label
启动 Gradio 服务 → iface.launch()，默认监听 http://127.0.0.1:7860
用户使用路径（网页交互）：
浏览器打开 Gradio 页面
→ 输入 4 个特征（花萼长/宽、花瓣长/宽）
→ 点击"Run"
→ 页面显示预测物种标签（setosa / versicolor / virginica）

1. 整体架构与设计思路

设计思路：四阶段线性流水线，单文件交付

[数据层] [模型层] [服务层] [展示层]
get_data('iris') → ClassificationExperiment → predict() → Gradio Interface
150×5 DataFrame setup() 对比训练 封装为函数 4输入/1输出 Web 页面
compare_models() DataFrame转换 http://127.0.0.1:7860

各模块技术栈：

模块 技术 版本 说明
数据加载与探索 PyCaret get_data + pandas pycaret 3.3.2 / pandas 2.1.4 加载内置 iris 数据集，打印 shape、统计、缺失值
模型训练与对比 PyCaret ClassificationExperiment pycaret 3.3.2 内部调用 sklearn 1.4.2，对 14 种算法做 10-fold 交叉验证
模型预测封装 自定义函数 + pandas DataFrame — 将 4 个标量转为单行 DataFrame，调用 exp.predict_model
Web 部署 Gradio Interface gradio 6.19.0 基于 FastAPI + uvicorn 的轻量 Web 服务，本地监听 7860 端口


2. "我"负责模块与量化结果
负责模块：全流程实现（数据探索 + 模型训练 + Gradio 部署）

量化指标 数值
数据规模 150 行 × 5 列（4 特征 + 1 目标），3 类
训练/测试划分 70/30 → 训练集 105 行，测试集 45 行
对比训练算法数 14 种（lr、knn、nb、dt、svm、ridge、rf、qda、lda、mlp、mlr、ada、et、xgb）
交叉验证折数 StratifiedKFold，10 折
最终胜出模型 Quadratic Discriminant Analysis (QDA)
模型对比总耗时 约 6.2 秒（setup() 0.59s + compare_models() 约 5.6s）
代码总行数 45 行（代码.py）
日志总行数 3139 行（含大量 sklearn 警告）
结果验证：

输入 sepal_length=5.1, sepal_width=3.5, petal_length=1.4, petal_width=0.2 → 输出 Iris-setosa
输入 4.9, 3.0, 1.4, 0.2 → 输出 Iris