题目
设计一个简单的机器学习模型预测API端点
信息
- 类型：问答
- 难度：⭐
考点
REST API设计,模型部署基础,输入数据处理
快速回答
设计一个预测房价的REST API端点需要：
- 使用
POST /predict作为端点 - 输入格式为JSON，包含房屋特征（如面积、房间数）
- 输出格式为JSON，包含预测价格和状态码
- 基础输入验证（如检查必填字段）
原理说明
REST API是模型部署的核心接口，通过HTTP协议接收输入数据并返回预测结果。POST方法适合传输数据，JSON格式易于解析和扩展。输入验证确保模型接收有效数据，避免运行时错误。
代码示例（Python Flask）
from flask import Flask, request, jsonify
import joblib
app = Flask(__name__)
model = joblib.load('house_price_model.pkl') # 加载预训练模型
@app.route('/predict', methods=['POST'])
def predict():
data = request.json
# 输入验证
if not data or 'area' not in data or 'bedrooms' not in data:
return jsonify({'error': 'Missing required fields'}), 400
try:
# 构造特征向量
features = [[data['area'], data['bedrooms']]]
# 预测并返回结果
prediction = model.predict(features)[0]
return jsonify({'price': prediction, 'status': 'success'}), 200
except Exception as e:
return jsonify({'error': str(e)}), 500
if __name__ == '__main__':
app.run(host='0.0.0.0', port=5000)最佳实践
- 端点设计：使用语义化路径（如
/predict），避免动词 - 输入规范：定义清晰的JSON Schema（示例：
{'area': 120, 'bedrooms': 3}） - 错误处理：返回标准HTTP状态码（400输入错误，500服务器错误）
- 安全：生产环境需添加认证和速率限制
常见错误
- 使用GET方法传输敏感数据（GET参数暴露在URL中）
- 缺少输入验证导致模型崩溃（如字符串传入数值字段）
- 返回纯文本而非结构化JSON，增加客户端解析难度
- 忽略异常处理，服务崩溃无响应
扩展知识
- 模型服务化工具：进阶可使用FastAPI（自动生成文档）、TensorFlow Serving或TorchServe
- 输入预处理：实际部署需在API中添加与训练时一致的特征标准化/编码逻辑
- 版本控制：通过URL版本化（如
/v1/predict）管理模型迭代 - 监控：记录预测延迟和错误率，使用Prometheus等工具
