Bu proje, popüler İris veri seti üzerinde eğitilmiş bir makine öğrenmesi modelini kullanarak, kullanıcıdan alınan çiçek ölçümlerine dayanarak İris çiçeğinin türünü tahmin eden bir web uygulamasıdır.
- İris çiçeğinin sepal ve petal boyutlarına göre tür tahmini yapma.
- Farklı makine öğrenimi modelleri ile tahmin karşılaştırma.
- Streamlit ile interaktif web arayüzü.
Bu bölüm, projeyi yerel geliştirme ortamınızda nasıl çalıştıracağınızı açıklar.
Projeyi çalıştırmadan önce, Python'un yüklü olduğundan ve aşağıdaki Python paketlerinin yüklenmiş olduğundan emin olun:
- Flask
- Pandas
- Scikit-learn
- Streamlit
- Joblib
- Requests
Bu paketleri pip kullanarak yükleyebilirsiniz:
pip install flask pandas scikit-learn streamlit joblib requests- Bu depoyu klonlayın:
git clone https://github.com/salimunlu/iris-ml-webapp.git- Gerekli Python paketlerini yükleyin:
pip install -r requirements.txt- Modeli eğitin ve joblib dosyalarını oluşturun (eğer repoda yoksa):
python train_model.pyBu, gerekli *.joblib dosyalarını oluşturacaktır.
- Flask API uygulamasını başlatın:
python app.pyBu, API'nizi http://localhost:5000 adresinde çalıştıracaktır.
- Yeni bir terminal penceresi açın ve Streamlit uygulamasını çalıştırın:
streamlit run streamlit_app.pyBu, web uygulamanızı http://localhost:8501 adresinde çalıştıracaktır.
Uygulama çalıştırıldığında, tarayıcınızda otomatik olarak açılacaktır. Eğer açılmazsa, Streamlit için http://localhost:8501 ve Flask API için http://localhost:5000 adreslerine gidin.
Projeye katkıda bulunmak istiyorsanız, lütfen öncelikle bir issue açarak veya mevcut issue'lara yorum yaparak başlayın.