[PYTHON] Ein Beispiel für einen Mechanismus, der eine Vorhersage von HTTP aus dem Ergebnis des maschinellen Lernens zurückgibt

Einführung

Neulich habe ich ein Programm erstellt, das Konten anhand der Ergebnisse des maschinellen Lernens vorhersagt, aber es gab eine Meinung, dass die Reaktion der Vorhersageergebnisse ungewöhnlich langsam und unbrauchbar war, also habe ich ein wenig Einfallsreichtum versucht.

Lernen von Buchhaltungsdaten und Vorhersagen von Konten aus dem Inhalt der Beschreibung beim Eingeben von Journalen --Qiita

Reaktionsmechanismus

Ich habe mich für HTTP entschieden, um leicht zu erkennen, dass das Lernergebnis im Speicher gespeichert ist und das Konto beim Senden der Beschreibung zurückgegeben wird.

Also habe ich mit Python einen HTTP-Server erstellt, das Lernergebnis gelesen, als der HTTP-Server gestartet wurde, und als ich die Zusammenfassung mit GET gesendet habe, habe ich das Konto vorhergesagt und zurückgegeben.

Erstellen Sie einen HTTP-Server mit Python

Ich habe auf den folgenden Artikel verwiesen.

Erstellen Sie einfach einen HTTP-Server mit Python-Qiita

Ich verwende es so wie es ist, aber es wurde ein wenig korrigiert, weil die Bibliothek namens BaseHTTPServer geändert wurde und ein Fehler in der japanischen Verarbeitung aufgetreten ist. Übrigens ist es Python3.

CallbackServer.py

#!/usr/local/bin/python
# coding: utf-8

import requests
import http.server
import socketserver
from http.server import BaseHTTPRequestHandler
from urllib.parse import urlparse, unquote

def start(port, callback):
    def handler(*args):
        CallbackServer(callback, *args)
    server = socketserver.TCPServer(('', int(port)), handler)
    server.serve_forever()

class CallbackServer(BaseHTTPRequestHandler):
    def __init__(self, callback, *args):
        self.callback = callback
        BaseHTTPRequestHandler.__init__(self, *args)

    def do_GET(self):
        parsed_path = urlparse(self.path)
        query = unquote(parsed_path.query)
        
        self.send_response(200)
        self.end_headers()
        
        result = self.callback(query)
        
        self.wfile.write(result.encode('utf-8'))
        
        return

Server-Startskript

Es liest das Lernergebnis beim Start und gibt das vom GET-Rückruf vorhergesagte Ergebnis zurück.

server.py

#!/usr/local/bin/python
# coding: utf-8

import sys
import CallbackServer

import pandas as pd
import numpy as np

homedir = "/home/scripts/"
filename = "data/code.csv"

df = pd.read_csv(homedir + filename, header=None)
df.index = df.pop(0)

df_rs = df.pop(1)

from sklearn.externals import joblib

scaler = joblib.load(homedir + 'data/scaler.pkl')
clf = joblib.load(homedir + 'data/clf.pkl')
vect = joblib.load(homedir + 'data/vect.pkl')

from janome.tokenizer import Tokenizer

t = Tokenizer()

def callback_method(query):
    texts = [
        query,
    ]

    notes = []
    for note in texts:
        tokens = t.tokenize(note)
        words = ""
        for token in tokens:
            words += " " + token.surface
        notes.append(words)
    
    X = vect.transform(notes)
    
    result = clf.predict(X)
    ans = ""

    for i in range(len(texts)):
        ans = df_rs.ix[result[i]]
        
    return ans

if __name__ == '__main__':
    port = sys.argv[1]
    CallbackServer.start(port, callback_method)

Beginnen Sie mit dem folgenden Befehl.

python

$ chmod a+x server.py
$ ./server.py 8080 &

Betriebstest

Lassen Sie uns das Vorhersageergebnis mit Ruby erhalten.

test.rb

require 'net/http'
require 'uri'

puts Net::HTTP.get_print('localhost', URI.escape('/?Autobahnnutzungsgebühr'), 8080)

Ich werde das machen.

python

$ ruby test.rb
Reisekosten Transport

Es wurde gemacht (^ - ^)

Versuchen Sie, es in den LINE-Bot zu integrieren.

Gutes Gefühl (^ - ^)

Weitere Informationen zum Erstellen eines LINE-Bots finden Sie im folgenden Artikel.

Erstellen Sie einen automatischen Antwort-BOT mit der Messaging-API von LINE

Mit diesem LINE-Bot können Sie sich übrigens mit dem folgenden QR-Code anfreunden.

Was soll ich als nächstes tun?