-
usando um propio modelo machine learning de previsao com sklearn no endpoint(cotacao)
-
usar o postman para USAR o metodo POST na API de cotação do preço da casa
-
usando o metodo de serializaçao com a biblioteca pickle para carregar o modelo do ambiente de desenvolvimento colab e salvalo em arquivo e carregar na API para a predição
-
autenticaçao basica com nome de usuario e senha com a biblioteca flask-basisauth
-
usando virtualenv como ambiente virtual do projeto
-
salvando as dependecias no requirements
-
arquivo request é a simulação para consumir a API de preço de casas com a biblioeca requests na url = 'http://localhost:8000/cotacao/'
-arquivo ==> modelo.sav -==> arquivo serializado com pickle da variavel de machine learning criada no google colab -para treinar o modelo = treino_modelo.py
-criar ambiente ==> virtualenv -p python3 environment -ativar ambiente==> source environment/bin/activate -desativar ambiente==> deactivate -instalar requirements==> pip install -r requirements.txt -resolver erro do sklearn ==> pip install -U scikit-learn -rodar arquivo da API ==> python main.py -rodar arquivo do consumo API via requests ==> python request.py
- como usar
url da api url = 'http://127.0.0.1:8000/cotacao/'
# dicionario enviado para a api
dados = {
"tamanho":120,
"ano":2001,
"garagem":2
}