低代码 AI 开发：Streamlit 快速搭建机器学习可视化应用

kjhkjhasd

382人浏览 · 2025-10-30 13:15:59

kjhkjhasd · 2025-10-30 13:15:59 发布

低代码 AI 开发：Streamlit 快速搭建机器学习可视化应用

Streamlit 是一个开源的 Python 库，专为数据科学家和开发者设计，能让你用极少的代码快速构建和部署交互式机器学习应用。它属于“低代码开发”的范畴，意味着你不需要复杂的 Web 开发知识（如 HTML、CSS 或 JavaScript），就能创建出专业的数据可视化界面。在本指南中，我将一步步教你如何用 Streamlit 搭建一个简单的机器学习可视化应用，从安装到部署，全程只需基础 Python 技能。整个过程真实可靠，基于实际项目经验。

步骤 1: 理解 Streamlit 的核心优势

低代码特性：Streamlit 通过简单的 Python 函数调用实现 UI 组件（如滑块、图表），代码量减少 80% 以上。
机器学习集成：它无缝兼容常见 ML 库（如 Scikit-learn、TensorFlow），支持实时模型预测和可视化。
快速迭代：保存代码后自动刷新页面，加速开发。
适用场景：数据探索、模型监控、预测结果展示等。

步骤 2: 安装和设置环境

确保你已安装 Python（推荐 3.7+）。然后，通过 pip 安装 Streamlit 和相关库：

pip install streamlit pandas numpy scikit-learn matplotlib

验证安装：运行 streamlit hello 在浏览器中查看示例应用（默认地址 http://localhost:8501）。

步骤 3: 创建一个简单的机器学习可视化应用

我们将构建一个应用：使用 Iris 数据集训练一个分类模型，并可视化预测结果。整个过程分为 4 个部分：

加载数据：用 Pandas 读取数据集。
训练模型：用 Scikit-learn 实现简单分类器。
添加交互控件：Streamlit 提供滑块、选择框等输入组件。
可视化输出：用 Matplotlib 或 Streamlit 内置图表展示结果。

下面是完整代码示例（保存为 app.py 文件）：

import streamlit as st
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# 设置应用标题
st.title('低代码 AI 应用：Iris 分类器可视化')

# 1. 加载数据
iris = load_iris()
df = pd.DataFrame(data=iris.data, columns=iris.feature_names)
df['target'] = iris.target

# 显示数据集预览
st.subheader('Iris 数据集预览')
st.write(df.head())

# 2. 训练模型（使用随机森林）
X = df.drop('target', axis=1)
y = df['target']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
model = RandomForestClassifier(n_estimators=100)
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)

# 显示模型精度
st.subheader(f'模型精度：{accuracy:.2f}')

# 3. 添加交互控件：用户输入特征值
st.subheader('输入特征值进行预测')
# 使用滑块输入特征（例如，花萼长度、宽度）
sepal_length = st.slider('花萼长度 (cm)', min_value=4.0, max_value=8.0, value=5.8, step=0.1)
sepal_width = st.slider('花萼宽度 (cm)', min_value=2.0, max_value=4.5, value=3.0, step=0.1)
petal_length = st.slider('花瓣长度 (cm)', min_value=1.0, max_value=7.0, value=4.0, step=0.1)
petal_width = st.slider('花瓣宽度 (cm)', min_value=0.1, max_value=2.5, value=1.2, step=0.1)

# 4. 预测并可视化
input_data = np.array([[sepal_length, sepal_width, petal_length, petal_width]])
prediction = model.predict(input_data)
target_names = iris.target_names
predicted_class = target_names[prediction[0]]

# 显示预测结果
st.subheader(f'预测类别：{predicted_class}')

# 可视化特征分布（使用散点图）
fig, ax = plt.subplots()
scatter = ax.scatter(df['sepal length (cm)'], df['sepal width (cm)'], c=df['target'], cmap='viridis')
ax.set_xlabel('花萼长度 (cm)')
ax.set_ylabel('花萼宽度 (cm)')
ax.set_title('Iris 特征分布')
plt.colorbar(scatter, label='类别')
st.pyplot(fig)

步骤 4: 运行和部署应用

本地运行：在终端执行 streamlit run app.py，应用会自动在浏览器打开（默认 http://localhost:8501）。调整滑块时，图表实时更新。
部署到云端：Streamlit 支持一键部署到 Streamlit Cloud、Heroku 或 AWS。例如，在 Streamlit Cloud 上传代码仓库即可公开分享。
开发技巧：使用 st.sidebar 组织控件到侧边栏，提升用户体验；添加 st.progress 显示加载状态。