Flask বা অন্য ফ্রেমওয়ার্ক ব্যবহার করে মডেল API তৈরি করা

Flask একটি জনপ্রিয় Python ওয়েব ফ্রেমওয়ার্ক যা সহজেই API তৈরি করার জন্য ব্যবহৃত হয়। এখানে একটি উদাহরণ সহ দেখানো হবে কিভাবে Flask ব্যবহার করে একটি Machine Learning মডেলকে API হিসাবে সার্ভ করা যায়।

প্রজেক্টের উদ্দেশ্য: বাড়ির মূল্য পূর্বাভাস মডেল API তৈরি

আমরা একটি সিম্পল লিনিয়ার রিগ্রেশন মডেল তৈরি করবো যা বাড়ির মূল্য পূর্বাভাস করবে এবং সেই মডেলটিকে Flask API হিসাবে সার্ভ করবো।

ধাপ ১: প্রয়োজনীয় লাইব্রেরি ইনস্টল করা

প্রথমে আপনার পরিবেশে প্রয়োজনীয় লাইব্রেরিগুলি ইনস্টল করুন।

pip install flask pandas scikit-learn

ধাপ ২: মডেল তৈরি এবং সংরক্ষণ

আমরা একটি লিনিয়ার রিগ্রেশন মডেল তৈরি করবো এবং সেটিকে সংরক্ষণ করবো।

import pandas as pd
from sklearn.linear_model import LinearRegression
import joblib

# উদাহরণ ডেটাসেট তৈরি
data = pd.DataFrame({
    'Bedrooms': [3, 4, 2, 4, 3],
    'Bathrooms': [2, 3, 1, 3, 2],
    'Square_Feet': [1500, 2000, 900, 2500, 1600],
    'Yard_Size': [500, 800, 300, 700, 600],
    'Price': [250000, 300000, 150000, 400000, 280000]
})

# ফিচার এবং টার্গেট সেট করা
X = data[['Bedrooms', 'Bathrooms', 'Square_Feet', 'Yard_Size']]
y = data['Price']

# মডেল তৈরি এবং প্রশিক্ষণ
model = LinearRegression()
model.fit(X, y)

# মডেল সংরক্ষণ
joblib.dump(model, 'housing_model.pkl')

ধাপ ৩: Flask API তৈরি করা

এখন Flask ব্যবহার করে একটি API তৈরি করবো।

from flask import Flask, request, jsonify
import joblib
import numpy as np

# Flask অ্যাপ তৈরি
app = Flask(__name__)

# মডেল লোড করা
model = joblib.load('housing_model.pkl')

@app.route('/predict', methods=['POST'])
def predict():
    # ইনপুট ডেটা গ্রহণ করা
    data = request.get_json(force=True)
    
    # ফিচার বের করা
    bedrooms = data['Bedrooms']
    bathrooms = data['Bathrooms']
    square_feet = data['Square_Feet']
    yard_size = data['Yard_Size']
    
    # পূর্বাভাস করা
    prediction = model.predict(np.array([[bedrooms, bathrooms, square_feet, yard_size]]))
    
    # পূর্বাভাস ফলাফল ফেরত দেয়া
    return jsonify({'Predicted Price': prediction[0]})

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

ধাপ ৪: API পরীক্ষা করা

Flask অ্যাপ চালানোর জন্য নিম্নলিখিত কমান্ডটি ব্যবহার করুন:

python app.py

এখন আপনি API পরীক্ষা করার জন্য Postman অথবা CURL ব্যবহার করতে পারেন।

CURL কমান্ড ব্যবহার করে পরীক্ষা:

curl -X POST http://127.0.0.1:5000/predict -H "Content-Type: application/json" -d '{"Bedrooms": 3, "Bathrooms": 2, "Square_Feet": 1500, "Yard_Size": 500}'

Postman ব্যবহার করে:

1. Postman খুলুন।
2. নতুন একটি POST রিকোয়েস্ট তৈরি করুন।
3. URL দিন: http://127.0.0.1:5000/predict
4. Body ট্যাবে JSON নির্বাচন করুন এবং নিম্নলিখিত JSON ইনপুট দিন:

{
    "Bedrooms": 3,
    "Bathrooms": 2,
    "Square_Feet": 1500,
    "Yard_Size": 500
}

1. Send বাটনে ক্লিক করুন।

সারসংক্ষেপ

এভাবে, আমরা Flask ব্যবহার করে একটি Machine Learning মডেলকে API হিসাবে সার্ভ করেছি। মডেলটি বাড়ির মূল্য পূর্বাভাস করতে সক্ষম এবং ব্যবহারকারীরা JSON ইনপুট পাঠিয়ে পূর্বাভাস পেতে পারেন। এই প্রক্রিয়াটি মডেলটিকে বাস্তব জীবনের অ্যাপ্লিকেশনগুলিতে ব্যবহারের জন্য উপযুক্ত করে তোলে।