Python预测分析实战

第9章　基于Dash的模型实现

本章主要内容

● 模型沟通和/或部署阶段。

● 介绍Dash。

● 将预测模型作为网络应用实现。

在本章中，我们主要介绍模型的沟通与部署，这是预测分析过程的最后一个阶段。建模的关键是通过某种方式用模型解决具体问题，所以模型实现是必要的步骤。但是，尽管有必要，模型实现在许多机器学习和预测建模的课程和资源中还是常常被遗忘和忽视。

我们首先讨论模型的沟通与部署阶段——解释预测分析解决方案的主要实现途径——使用技术报告、说明现有应用程序的特征，以及分析应用程序。这一部分讨论交流的是一些重要技巧和结论。

随后我们引入Dash库，用它构建预测模型的网络应用程序：先构建两个简单应用来帮助用户理解Dash基础，再把钻石价格问题的神经网络模型作为网络应用程序加以实现，这个网络应用程序将接收用户的输入并返回相应的预测。

9.1　技术要求

● Python 3.6或更高版本。

● Jupyter Notebook。

● 最新版本的Python库：NumPy、Pandas、Matplotlib、Seaborn和Scikit-learn。

● Dash基本库（安装指令参见9.3节）。

9.2　模型沟通和/或部署阶段

构建预测模型的目标是解决业务问题。这个阶段在预测分析和机器学习的许多相关图书和课程中一般都不会讨论。本书的预测建模不是为了建模而建模，而是在抱有某个目标的前提下对这些技术进行实际应用。

实现预测分析过程主要有3种途径：使用技术报告，说明现有应用程序的功能，以及分析应用程序。

下面我们主要讨论这3种常见的途径。

9.2.1　使用技术报告

通常的要求是做一份技术报告，用以说明解释结果、主要的发现和推荐的应对措施。这通常意味着需要为关键的需求方做一次相关汇报，对方法论和最重要的结论进行解释，因此数据科学家和分析工作者通常需要具备良好的沟通能力。尽管解决方案本身从技术的角度看起来完美无缺，但如果还想获取他人的认可，就需要采取友好、高效的沟通方式。 ...