在这篇文章中，主要介绍如何将一个机器学习的模型嵌入到web系统中，这篇文章的主要内容包括：

1、利用flask构建一个简单的web

2、将机器学习模型嵌入到web系统中

3、根据用户的反馈来更新模型

主要包括三个页面，评论提交页面、分类结果页面、感谢页面。当用户提交评论后跳转到结果页面，后台根据已有的模型来预测用户评论是属于正面评论还是负面评论，返回属于哪一种评论并且返回属于该种类的概率为多少。提供两个用户反馈结果按钮，如果用户点击正确按钮，则说明预测正确，否则预测错误，并将结果保存到SQLlite数据库中，然后再跳转到感谢页面。

一、项目结构

db：目录中存放SQLite数据库文件。

pkl：存放模型文件，stopwords.pk为停用词文件，classifer.pkl为模型文件。

static：为静态文件目录，主要存放js和css文件。

templates：为模板文件目录，用来存放html文件。

app.py：主要文件，包含界面跳转和模型预测等功能。

updatePkl.py：为模型更新文件。

vectorizer.py：将评论转换成为特征向量便于预测。

二、界面说明

界面做的比较简单，没有过多的去调整的样式，主要是实现功能。

1、用户提交评论界面

用户在这个界面可以输入自己的评论，并提交。

2、分类结果页面

用户可以通过这个页面查看自己评论的分类结果，并可以进行相应的反馈。如果，用户没有确认是否正确，SQLite数据库中将不会保存这条评论所属的类别。

3、感谢页面

通过这个界面可以跳转到，提交评论界面。利用SQLiteStudio可以查看数据库保存评论

三、功能的实现

1、将评论转成特征向量

2、主要功能

3、模型更新

为什么要将更新模型用另一个文件运行，而不是在用户提交反馈之后就直接更新模型？

如果在同一时间评论的用户多的话，直接在用户提交反馈之后就更新模型，可能会造成在更新模型文件的时候会损坏模型文件。建议，在本地更新模型文件之后，再上传到服务器。