ML-For-Beginners：从 Pickle 到 Flask —— 用 UFO 目击预测案例把 Scikit-learn 模型部署为 Web 应用

本文以 ML-For-Beginners 课程第 3 单元《Build a Web App to use a ML Model》（本课同时提供完整的阿拉伯语翻译）为主体，完整复刻其全部实操流程：使用约 8 万条 NUFORC 不明飞行物（UFO）目击数据训练一个 Scikit-learn 逻辑回归模型，用 Python 内置的 Pickle 模块把训练好的模型序列化为 .pkl 文件，再搭建一个 Flask 应用读取该模型文件，通过网页表单接收"秒数、纬度、Longitude 经度"三个输入并返回预测的目击国家。读完本文，你将掌握"训练 → 序列化 → Web 服务化"这条把模型送上网页的完整链路，并理解部署前需要做的架构决策。

课程背景与学习目标

本课属于 ML-For-Beginners（12 周、26 课、52 测验）中"经典机器学习"路线的第 3 单元。此前几个单元已用 Jupyter Notebook 完成了南瓜数据的回归、分类、聚类等练习，本课把流程往前推进一步：让模型走出 Notebook，进入"真实世界"（in the wild）——一个可以用浏览器访问的 Web 应用。

课程明确的两项学习目标是：

1. 如何用 Pickle 把一个训练好的模型"打包"（pickle）保存下来；
2. 如何在 Flask 应用中加载并使用这个已打包的模型。

数据来源是 NUFORC（National UFO Reporting Center，美国不明飞行物报告中心）数据库，包含过去一个世纪约 8 万条 UFO 目击记录。数据文件 ufos.csv 约 8 万行，字段包括目击发生的城市（city）、州（state）、国家（country）、物体形状（shape）、纬度（latitude）与经度（longitude）等。数据中不乏有趣的目击描述，课程给出的两个例子：

• 长描述示例："一名男子从一个照在夜间草地上的光柱中走出，朝 Texas Instruments 的停车场跑去"；
• 短描述示例："那些光追着我们"。

部署架构决策：在动手前先问清 5 个问题

课程强调，构建"消费 ML 模型的 Web 应用"有多种方式，而且 Web 架构本身会反过来影响模型该如何训练。课程让你代入一个典型企业场景：数据科学团队已经训练好一个模型，现在要求你在应用里消费它。在动手前，需要先回答以下问题：

决策问题	课程给出的思考要点
是 Web 应用还是移动应用？	若是移动端或 IoT 场景，可以用 TensorFlow Lite 把模型放到 Android / iOS 应用中运行
模型驻留在哪里？	云端还是本地？这决定了推理发生在服务器端还是客户端
是否需要离线支持？	应用是否必须在断网状态下工作，直接影响模型部署位置
模型用什么技术训练的？	训练框架决定了可用的导出与消费工具链，见下方三种技术路线
能否直接在浏览器中训练？	Flask 应用甚至可以在 Web 浏览器内训练模型，用 TensorFlow.js 也能在 JavaScript 上下文中做到

针对"训练技术栈"这一条，课程列举了三条常见路线：

• TensorFlow 路线：用 TensorFlow 训练的模型可借助 TensorFlow.js 转换后直接在 Web 应用中消费；
• PyTorch 路线：PyTorch 模型可导出为 ONNX（Open Neural Network Exchange）格式，供能使用 ONNX Runtime 的 JavaScript Web 应用加载（课程提到这一选项将在后续一节的 Scikit-learn 模型练习中展开）；
• ML SaaS 路线：使用 Lobe.ai 或 Azure Custom Vision 这类"机器学习即服务"平台训练时，这类软件天然提供把模型导出到多种平台的方式，包括构建一个自定义 API，让你的在线应用从云端查询它。

而本课因为前面一直使用 Python Notebook，所以聚焦最贴近读者的一条路径：如何把一个在 Notebook 中训练好的模型导出成 Python Web 应用可读的格式。

工具链：Flask 与 Pickle

课程明确本任务只需要两个 Python 侧工具：

Flask：由创建者自称为"微框架"（micro-framework），提供 Python Web 框架的基础能力（路由、请求处理、静态资源）以及用于构建网页的模板引擎。它足够轻量，可以在几十个代码行内跑起一个完整的预测服务。

Pickle：Python 标准库中负责序列化（serialize）与反序列化（de-serialize）Python 对象结构的模块。当你"pickle"一个模型时，实际上是把它的对象结构扁平化，以便在 Web 环境中加载使用。课程特别给出了安全警告：Pickle 并非天生安全——.pkl 文件本质上是可执行的对象状态，不要随意反序列化来源不可信的 pickle 文件。

实操一：清洗 UFO 数据

课程附带的 notebook.ipynb 是一份空白笔记本，要求学生按以下步骤自己填写代码；完整填写后的版本见 solution/notebook.ipynb，其中保留了每一步的真实运行输出，可用来核对结果。

第 1 步：导入依赖并读取数据

import pandas as pd
import numpy as np

ufos = pd.read_csv('./data/ufos.csv')
ufos.head()

ufos.head() 会展示前 5 条记录，可以看到 datetime、city、state、country、shape、duration (seconds)、duration (hours/min)、comments、date posted、latitude、longitude 等列，以及像 NaN 这样的缺失值。

第 2 步：裁剪为四列的精简数据框

只保留建模需要的 4 列，并重命名字段；同时检查 Country 字段的唯一值：

ufos = pd.DataFrame({'Seconds': ufos['duration (seconds)'], 'Country': ufos['country'],'Latitude': ufos['latitude'],'Longitude': ufos['longitude']})

ufos.Country.unique()

从解题笔记本的实际输出看，该字段唯一值为 array(['us', nan, 'gb', 'ca', 'au', 'de'], dtype=object)——即美国、英国、加拿大、澳大利亚、德国五个国家代码，外加缺失值。笔记本中还留有一行关键注释，给出了国家码与后续标签的对应关系：# 0 au, 1 ca, 2 de, 3 gb, 4 us。

第 3 步：去空值并过滤持续时间

删除空值，只保留目击持续时间为 1–60 秒的记录：

ufos.dropna(inplace=True)

ufos = ufos[(ufos['Seconds'] >= 1) & (ufos['Seconds'] <= 60)]

ufos.info()

ufos.info() 的真实输出显示，过滤后数据框剩余 25,863 条记录、4 列（Seconds、Country、Latitude、Longitude），其中 Country 在去空值后无缺失。

第 4 步：用 LabelEncoder 把国家编码为数字

Scikit-learn 的模型只能处理数值特征，因此用 LabelEncoder 把文本国家码转换为整数。注意课程提示的编码规则：LabelEncoder 按字母顺序（alphabetically）编码，即 au→0, ca→1, de→2, gb→3, us→4——这一点在后面的 Web 应用里还要用到，因为 Flask 端必须用同一张映射表把预测出的数字翻译回国家名。

from sklearn.preprocessing import LabelEncoder

ufos['Country'] = LabelEncoder().fit_transform(ufos['Country'])

ufos.head()

课程给出的预期数据形态（与解题笔记本输出一致）：

    Seconds	Country	Latitude	Longitude
2	20.0	3	53.200000	-2.916667
3	20.0	4	28.978333	-96.645833
14	30.0	4	35.823889	-80.253611
23	60.0	4	45.582778	-122.352222
24	3.0	3	51.783333	-0.783333

实操二：训练逻辑回归模型

划分训练集与测试集

以 Seconds、Latitude、Longitude 为特征 X，Country 为目标 y。目标能力是：输入秒数、纬度、经度，返回国家标签。

from sklearn.model_selection import train_test_split

Selected_features = ['Seconds','Latitude','Longitude']

X = ufos[Selected_features]
y = ufos['Country']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

参数说明：test_size=0.2 表示 20% 数据留作测试（25,863 条中约 5,173 条）；random_state=0 固定随机种子，保证划分结果可复现。

用 LogisticRegression 训练并评估

from sklearn.metrics import accuracy_score, classification_report
from sklearn.linear_model import LogisticRegression
model = LogisticRegression()
model.fit(X_train, y_train)
predictions = model.predict(X_test)

print(classification_report(y_test, predictions))
print('Predicted labels: ', predictions)
print('Accuracy: ', accuracy_score(y_test, predictions))

课程对结果的定性判断是：精度不低（约 95%），这并不意外，因为国家与经纬度天然强相关。解题笔记本保留的真实输出更细致：

• Accuracy: 0.9512855209742895，测试集共 5,173 条；
• 分类报告中，标签 4（US，4,743 条）与标签 3（gb，131 条）的 precision/recall 都接近满分，而少数类（如 de 只有 8 条、ca 250 条）几乎没被预测到，macro avg 只有 0.78。

这正是一个很好的教学点：总体 accuracy 很高不代表每个类别都被学到了，类别严重不平衡时 macro 指标会暴露问题。课程也坦言，这个模型"并不革命性"——从经纬度推断国家本应如此——但它的价值在于完整走通"清洗原始数据 → 训练 → 导出 → 上 Web"这一流程。

实操三：Pickle 序列化模型

训练完成后，用几行代码把模型"pickle"并立即回载验证：

import pickle
model_filename = 'ufo-model.pkl'
pickle.dump(model, open(model_filename,'wb'))

model = pickle.load(open('ufo-model.pkl','rb'))
print(model.predict([[50,44,-12]]))

• pickle.dump(model, open(model_filename,'wb'))：以二进制写模式（wb）把模型对象写入 ufo-model.pkl；
• pickle.load(open('ufo-model.pkl','rb'))：以二进制读模式（rb）把对象还原为内存中的模型；
• 验证输入 [50, 44, -12]（50 秒、北纬 44 度、西经 12 度）的预测输出为 [3]，即国家码 3 —— 英国（gb）。

这个"保存 → 回载 → 单点预测"的验证步骤非常重要：它证明序列化没有破坏模型，且确认了输入形状——模型需要一条含 3 个数值特征的样本才能做出预测，后面 Flask 端组装请求数据时正是依据这一点。仓库 solution 目录 中提供了一个现成的 ufo-model.pkl 成品文件，可以直接拿来跑 Web 应用部分。

实操四：搭建 Flask 应用

目录结构

在 notebook.ipynb 和 ufo-model.pkl 所在目录旁创建 web-app 文件夹，并在其中建立 static/css 与 templates 两个子目录，最终结构如下：

web-app/
  static/
    css/
  templates/
notebook.ipynb
ufo-model.pkl

成品应用可对照 solution/web-app 查看。

第 1 个文件：requirements.txt

与 JavaScript 应用中的 package.json 类似，requirements.txt 列出应用依赖。课程要求写入以下四行（与 solution 目录中的 requirements.txt 完全一致）：

scikit-learn
pandas
numpy
flask

然后进入目录安装依赖：

cd web-app
pip install -r requirements.txt

第 2 个文件：static/css/styles.css

课程给出的完整样式（深色主题 + CSS Grid 布局）：

body {
	width: 100%;
	height: 100%;
	font-family: 'Helvetica';
	background: black;
	color: #fff;
	text-align: center;
	letter-spacing: 1.4px;
	font-size: 30px;
}

input {
	min-width: 150px;
}

.grid {
	width: 300px;
	border: 1px solid #2d2d2d;
	display: grid;
	justify-content: center;
	margin: 20px auto;
}

.box {
	color: #fff;
	background: #2d2d2d;
	padding: 12px;
	display: inline-block;
}

要点：body 设定黑底白字的大字号标题风格；.grid 用 display: grid 将表单容器居中并限制为 300px 宽；.box 是表单所在卡片的背景色。

第 3 个文件：templates/index.html

Flask 模板页面（Jinja2 模板语法）：

<!DOCTYPE html>
<html>
  <head>
    <meta charset="UTF-8">
    <title>🛸 UFO Appearance Prediction! 👽</title>
    <link rel="stylesheet" href="{{ url_for('static', filename='css/styles.css') }}">
  </head>

  <body>
    <div class="grid">

      <div class="box">

        <p>According to the number of seconds, latitude and longitude, which country is likely to have reported seeing a UFO?</p>

        <form action="{{ url_for('predict')}}" method="post">
          <input type="number" name="seconds" placeholder="Seconds" required="required" min="0" max="60" />
          <input type="text" name="latitude" placeholder="Latitude" required="required" />
          <input type="text" name="longitude" placeholder="Longitude" required="required" />
          <button type="submit" class="btn">Predict country where the UFO is seen</button>
        </form>

        <p>{{ prediction_text }}</p>

      </div>

    </div>

  </body>
</html>

模板里有两处 Jinja2 "mustache"（{{ }}）语法值得注意：

• {{ url_for('static', filename='css/styles.css') }}：由 Flask 生成静态 CSS 的 URL，url_for 是 Flask 内置的路由 URL 反查函数；
• {{ prediction_text }}：预测结果占位符，由 render_template 在响应时注入。

表单 action="{{ url_for('predict') }}" method="post" 表明：三个输入框以 POST 方式提交到 /predict 路由；seconds 输入框用 min="0" max="60" 做了前端约束，呼应数据清洗时"只训练 1–60 秒样本"的设定。

第 4 个文件：app.py（核心）

这是驱动"模型消费 + 预测展示"的 Python 文件，课程给出的完整代码：

import numpy as np
from flask import Flask, request, render_template
import pickle

app = Flask(__name__)

model = pickle.load(open("./ufo-model.pkl", "rb"))


@app.route("/")
def home():
    return render_template("index.html")


@app.route("/predict", methods=["POST"])
def predict():

    int_features = [int(x) for x in request.form.values()]
    final_features = [np.array(int_features)]
    prediction = model.predict(final_features)

    output = prediction[0]

    countries = ["Australia", "Canada", "Germany", "UK", "US"]

    return render_template(
        "index.html", prediction_text="Likely country: {}".format(countries[output])
    )


if __name__ == "__main__":
    app.run(debug=True)

执行 python app.py（或 python3 app.py）后，本地 Web 服务器启动，即可在浏览器中填写表单获得预测。

app.py 执行流程解析

按课程对代码的拆解，启动与请求阶段共发生以下事情：

启动阶段（模块导入即执行）：

1. 加载依赖并创建 Flask 实例 app = Flask(__name__)；
2. 用 pickle.load 从 ./ufo-model.pkl 读入训练好的模型——模型只加载一次，常驻内存；
3. 注册两条路由：/ 渲染首页，/predict 处理 POST 预测请求。

/predict 请求处理阶段（表单提交后）：

1. request.form.values() 收集三个表单值，列表推导式逐一 int() 转成整数，再经 np.array 包装、外层再套一层列表——得到形如 [[s, lat, lon]] 的二维数组，这正是 LogisticRegression.predict 期望的"一批样本、每条 3 个特征"的输入形状（与实操三验证的单点输入 [[50,44,-12]] 完全一致）；
2. model.predict(final_features) 返回预测标签数组，取 prediction[0] 作为国家码 output；
3. 用 countries = ["Australia", "Canada", "Germany", "UK", "US"] 这张按字母序硬编码的映射表把数字标签翻译回可读国家名——它与 LabelEncoder 的编码规则（au→0, ca→1, de→2, gb→3, us→4）严格对应，是"训练侧与消费侧必须共享数据契约"的典型体现；
4. render_template("index.html", prediction_text=...) 把结果文本注入模板并返回渲染后的页面。

源码级细节：对照仓库中的 solution/web-app/app.py，解题版本的模型路径写的是 "../ufo-model.pkl"（因为成品 ufo-model.pkl 放在 solution/ 根目录、而 app.py 在其子目录 web-app/ 中），而课程正文的代码写的是 "./ufo-model.pkl"——两者差别纯粹由文件摆放位置决定，说明模型路径是相对 app.py 运行时工作目录解析的，部署时务必保证该相对路径能命中文件。

关于 debug=True：课程给出的提示是——开启 debug 模式后，对应用的改动会即时热重载，无需手动重启服务器；但切勿在生产环境开启该模式（会暴露交互式调试器，存在严重安全风险）。

课程延伸：挑战题、复习与作业

挑战题：在 Flask 应用内部训练模型

课程提出的进阶挑战是：跳过"Notebook 训练 → pickle 导入"的路线，把清洗后数据的训练代码直接搬进 Flask 应用，新增一条名为 train 的路由来触发训练。课程要求学生自行分析这条路线的利弊（例如：省去了模型文件的版本管理与传输环节；但每次冷启动都要重训、训练逻辑与 Web 逻辑耦合、且生产环境不宜在请求处理中执行长耗时训练等）。

复习与自学

课程布置的自研任务：列举使用 JavaScript 或 Python 构建"消费 ML 模型的 Web 应用"的各种方式；思考架构问题——模型应该留在应用内还是住在云端？若住云端，应用如何访问它？最后，画出你所设想的 ML Web 方案的架构图。

作业：换一个模型重做这个 Web 应用

配套作业 assignment.md 的要求是：既然你已经用训练好的回归类模型做出一个 Web 应用，现在改用前面 Regression 课程中的某个模型重做这个应用；可以沿用原有样式，也可以按南瓜（pumpkin）数据主题重新设计，但必须同步修改前端输入以匹配新模型的训练特征。评分标准（rubric）为三档：优秀——应用按预期运行并部署上云；合格——应用有缺陷或出现意外结果；待改进——应用无法正常工作。

相关文件索引

文件	说明
README.md	本课英文原版（含全部实操代码）
translations/ar/3-Web-App/1-Web-App/README.md	本课完整阿拉伯语翻译（本文所依据的文档）
notebook.ipynb	供学员填写的空白练习笔记本
solution/notebook.ipynb	含真实运行输出的解题笔记本
solution/ufo-model.pkl	现成的 pickle 模型文件
solution/web-app/app.py	成品 Flask 应用入口
solution/web-app/templates/index.html	成品预测表单页面
solution/web-app/static/css/styles.css	成品样式表
solution/web-app/requirements.txt	依赖清单（scikit-learn、pandas、numpy、flask）
data/ufos.csv	约 8 万条 NUFORC UFO 目击原始数据
assignment.md	课后作业与评分标准

小结

本课用一条极简但完整的技术链路回答了"训练好的 Scikit-learn 模型如何变成 Web 服务"：数据清洗（pandas）→ LabelEncoder 数值化 → train_test_split 划分 → LogisticRegression 训练 → pickle 序列化 → Flask 双路由服务（/ 渲染表单、/predict 预测）→ Jinja2 模板回显结果。其中最容易被初学者忽视、却决定了应用能否跑通的两个"契约"是：模型输入形状（3 个特征的二维数组）与标签映射表（国家码 ↔ 国家名），两者必须由训练侧与消费侧严格一致——课程最后一句"在生产环境中，训练模型的人与消费模型的人之间需要良好沟通"正是对这条契约的总结。