在Python中使用Dash的分类模型模拟器应用程序
我们将使用来自贷款预测的Analytics Vidhya的数据集。让我们创建一个用于加载数据“ definition.py”的单独文件，并创建一个对象obj_Data，该对象可在项目中的各个文件之间访问。首先，让我们看一下数据。
Dash-火车数据
短跑测试数据
前端–添加DCC和DAQ控件
在开始之前，让我们看一下到本博客结束时将要构建的内容。
短跑-最终结果
滑杆：
首先，让我们构建一个滑块，将其用于将数据集拆分为训练和测试。训练集将用于训练模型并测试以验证我们的模型结果。
分割数据
    daq.Slider（
        id ='slider'，
        min = 0，
        最大= 100，
        值= 70，
        handleLabel = {“ showCurrentValue”：True，“ label”：“ SPLIT”}，
        步长= 10
），
下拉菜单：
接下来，让我们构建两个下拉菜单，一个用于选择目标变量，另一个用于自变量。这里唯一需要注意的是，这些值是从数据集中填充的，而不是硬编码的。
options = [{'label'：x，'value'：x} for obj_Data.df_train_dummies.columns中的x]，
html.P（“选择目标”，className =“ control_label”），
    dcc.Dropdown（
        id =“ select_target”，
        options = [{'label'：x，'value'：x} for obj_Data.df_train_dummies.columns中的x]，
        多=假，
        value ='Loan_Status'，
        clearable = False，        
），
带有DAQ的数字输入：
Dash DQ K折叠式
我们还希望用户选择一些拆分来进行模型构建。有关更多信息，请参阅KFOLD。让我们添加一个数字字段，其最小值为1，最大值为10。
   daq.NumericInput（
        id ='id-daq-splits'，
        min = 0，
        最大值= 10，
        尺寸= 75，
        值= 2
    ），
带DAQ的LED显示屏：
预先具有某些标准度量标准（例如记录数，许多分类和数字字段等）作为基本信息的一部分也将非常有用。为此，让我们使用dash-daq小部件。我们可以根据布局/主题更改字体，颜色和背景。
Dash DQ的LED显示
    daq.LEDDisplay（
        id ='records'，
        ＃label =“默认”，
        值= 0，
        标签=“记录”，
        size = FONTSIZE，
        颜色= FONTCOLOR，
        backgroundColor = BGCOLOR
    ）
我们将使用相同的代码段生成更多此类卡/小部件，以确保ID是唯一的。我们将在后面的部分中研究如何填充值，但现在让我们将值设置为零。
现在已经涵盖了所有用户可输入字段，我们将拥有占位符，用于展示一些模型度量图，例如AUC-ROC，这是分类模型的标准曲线。一旦模型构建在以后的部分中完成，我们将填充图表。
html.Div（
    [dcc.Graph（id =“ main_graph”）]，
），
后端–让我们建立模型并衡量指标：
有两个方面的因素可以考虑：
1.建立所有七个分类模型，并根据准确性绘制条形图。我们将在一个名为multiModel.py的单独文件中对此进行编码
2.自动选择性能最佳的模型，并详细说明所选模型的相关指标。我们将在文件models.py中对此进行编码
分类模型：
让我们从第一部分开始-我们将建立七个分类模型，分别是Logistic回归，轻型GBM，KNN，决策树，AdaBoost分类器，随机森林和高斯朴素贝叶斯。这是LGBM的代码段。由于本文是关于构建分析应用程序而非模型构建的，因此您可以参考完整的模型构建代码以获取更多详细信息。
    ...
    ...
    clf = lgb.LGBMClassifier（n_estimators = 1000，max_depth = 4，random_state = 22）
    clf.fit（X_trn，y_trn）
    预测= clf.predict（X_val）
    fun_metrics（预测，y_val）
    fpr，tpr，_ = roc_curve（y_val，预测）
    fun_metricsPlots（fpr，tpr，“ LGBM”）
    fun_updateAccuracy（clf，预测）
    ....
    ....
现在，在第二部分中，我们将针对七个模型中的最佳模型生成度量。这是伪代码段–有关更多详细信息，请参考代码。
如果bestModel =='GNB'：
            模型= GaussianNB（）
        elif bestModel =='LGBM'：
            型号= lgb.LGBMClassifier（）
        elif bestModel =='物流'：
            模型= LogisticRegression（）
        elif bestModel =='KNN'：
            型号= KNeighborsClassifier（）
        elif bestModel =='随机森林'：
            模型= RandomForestClassifier（）
        elif bestModel =='DT'：
            模型= tree.DecisionTreeClassifier（）
        其他：
            型号= AdaBoostClassifier（）
衡量模型指标：
我们将跟踪最佳模型的指标-精度，召回率和准确性，为此，我们将使用sklearn.metrics库导出这些数字。这些数字将填充我们的dash-daq小部件。
模型精度
从sklearn.metrics导入roc_curve，roc_auc_score，recall_score，precision_score，accuracy_score
精度=圆（precision_score（testy，yhat），2）
召回=回合（recall_score（testy，yhat），2）
精度=舍入（accuracy_score（testy，yhat）* 100
testy具有测试集中的实际值，而yhat具有预测值。
评价
使用Plotly Express构建AUC-ROC图：
类似地，使用plotly express建立AUC-ROC曲线并将其保存在无花果对象fig_ROC中
ROC曲线
fig_ROC = px.area（
x = lr_fpr，y = lr_tpr，
title = f'ROC曲线（AUC = {lr_auc：.4f}）'，
标签= dict（x ='假阳性率'，y ='真阳性率'）
）
fig_ROC.add_shape（
    type ='line'，line = dict（dash ='dash'），
    x0 = 0，x1 = 1，y0 = 0，y1 = 1
）
fig_ROC.update_yaxes（scaleanchor =“ x”，scaleratio = 1）
fig_ROC.update_xaxes（constrain ='domain'）
与回调的交互：
现在，我们已经使用小部件，占位符设计了前端，并为后端设计了一个用于构建分类模型的功能，该功能可以进行预测并生成模型指标。现在，每当用户更改输入时，这两个控件应该彼此交互，这可以使用回调来实现。回调是Python函数，只要输入组件的属性发生更改，Dash就会自动调用这些回调函数。
回调共有3个部分-
1.所有输出的列表（或仅一个输出）
2.所有输入（或仅一个输入）的列表
3.接受输入，执行定义的处理并返回输出的函数。
注意：如果有多个输入或多个输出，则将控件包装在[]下，否则，可以将其跳过。
[
    输出（“ main_graph”，“ figure”），
    Output（“ recall”，'value'），
]
....
[
    输入（“ select_target”，“值”），
    输入（“ select_independent”，“值”），
...   
]
....
在上面的输出代码段中，第一个参数是我们在UI设计期间设置的main_graph。第二个参数是对象类型，在这种情况下为数字。同样，召回控件期望对象的类型为value，在这种情况下为数字。有关回调的更多信息，请参见此处。将我们所有的输入/输出控件放在一起，代码就是这样。
@ app.callback（
    [
        输出（“ main_graph”，“ figure”），
        输出（“ individual_graph”，“ figure”），
        输出（“ aggregate_graph”，“图”），
        Output（“ slider-output-container”，'children'），
        Output（“ precision”，'value'），
        Output（“ recall”，'value'），
        输出（“精度”，“值”），
        输出（“ auc”，“值”），
        Output（“ trainset”，'value'），
        输出（“测试集”，“值”），
        输出（'model-graded-bar'，'value'），
        输出（'id-insights'，'children'），
        输出（“模型图”，“图”），     
        输出（“最佳模型”，“子级”），
        输出（“ id-daq-switch-model”，“ on”），
        输出（'auto-toast-model'，'is_open'）
    ]，
    [
        输入（“ select_target”，“值”），
        输入（“ select_independent”，“值”），
        输入（“滑块”，“值”），
        输入（“ id-daq-splits”，“值”），
        输入（“ select_models”，“值”）        
    ]
）
def measurePerformance（目标，独立，滑块，拆分，selected_models）：
    fig_ROC，Fig_Precision，fig_Threshold，精度，召回率，准确性，trainX，testX，auc，fig_model，bestModel = multiModel.getModels（目标，独立，滑块，拆分，selected_models）
    auc_toast =如果auc <0.5则为True，否则为False
    return fig_ROC，Fig_Precision，fig_Threshold，'训练/测试分割大小：{} / {}'。format（slider，100-slider），precision，callback，precision，auc，trainX，testX，auc * 100，f'最好表现模型为{bestModel}，其精度为{accuracy}，精度为{precision}，召回率为{auc}的面积下的{recall}。尝试各种K FOLD值以进一步探索。” ，fig_model，f'效果最好的模型是{bestModel}'，True，auc_toast
使用PyTest编写一些测试用例：
编写用于典型Web开发的单元测试用例是正常的，但通常，对于具有预测模型和视觉效果的分析应用程序，有一种跳过的趋势，而最后只是手动进行完整性检查。pytest库使配置测试用例，编写用于测试特定输入和输出的函数变得更加容易。简而言之，只需编写一次并继续运行测试，然后再将代码推送到QA / Prod环境即可。请参阅pytest文档以获取更多详细信息。
例如，让我们写一个案例来检查Precision值。我们可以使用相同的框架，并将其扩展到更多案例–积极，消极和临界情况。
#pip安装pytest
导入pytest
def test_buildModels（）：   
    fig_ROC，fig_precision，fig_threshold，精度，召回率，准确性，trainX，testX，lr_auc = buildModel（目标，独立，滑块，selected_models）
    断言精度<1
assert关键字可确保满足指定条件，并将测试用例指定为“通过”或“失败”。
下拉检查
配置测试用例
执行中的测试用例
一项测试失败
一个测试用例失败
所有测试已清除
所有测试用例均通过
记录错误：
记录错误/警告有助于我们跟踪代码中的问题，为此，我们将使用记录库。我们将通过名称model.log创建一个单独的文件。记录日志不仅是遵循的好习惯，而且在调试过程中也有很大帮助。有些人喜欢使用print（）语句，该语句在控制台中记录输出以供参考，但建议人们使用日志记录。
在项目目录中通过名称“ model.log”创建文件，并使用以下代码在该文件中记录错误。
＃安装库（如果尚未完成）
＃pip安装日志         
导入日志
logging.basicConfig（filename ='model.log'，level = logging.DEBUG，format ='％（asctime）s：％（levelname）s：％（filename）s：％（funcName）s：％（message）s '）
可以在model.log文件中跟踪错误。这是一个示例错误：
模型日志
从LogRecord属性引用格式以获取属性名称，它们的含义以及％样式格式字符串中的相应占位符。日志看起来像以下格式YYYY-MM-DD HH：MM文件名。
一旦成功构建了所有UI组件和模型。您可以在本地主机（http://127.0.0.1:8050）中访问该应用程序，并可以使用训练/测试滑块，拆分和变量来查看图和度量标准是否立即更新。
结论：
带有可重复使用的Dash的Python可用于在短时间内构建一些非常复杂的分析应用程序。我个人认为它对于快速原型设计，客户演示，建议和POC很有用。整个过程中最好的部分是，您只需要了解python的基础知识，就可以创建分析应用程序核心的前端，后端，视觉效果和预测模型。如果您利用自己的创造力并专注于用户体验，那么您一定会给您的团队，客户或最终用户留下深刻的印象。
题库