使用 Restful API 與 Ajax 來進行機器學習模型訓練與預測

安裝套件

pip install -r titanic_restful_project/requirements.txt

套件	版本
Flask	3.1.3
pandas	3.0.3
scikit-learn	1.8.0
xgboost	3.3.0
joblib	1.5.3
numpy	2.4.6

版本號可用 pip list 或 conda list 查詢，請依實際環境自行調整。

執行方法

# 初始化資料庫（匯入 titanic.csv 到 SQLite）
python titanic_restful_project/init_db.py

# 啟動 Flask 伺服器
python titanic_restful_project/app.py

開啟瀏覽器前往 http://127.0.0.1:5000

說明

使用模型：XGBoost（XGBClassifier）

使用 GridSearchCV 進行 5-fold 交叉驗證，搜尋以下超參數組合（共 16 種）：

超參數	搜尋範圍	說明
n_estimators	100, 200	決策樹棵數
max_depth	3, 5	每棵樹最大深度
learning_rate	0.05, 0.1	學習率
subsample	0.8, 1.0	每棵樹使用的資料比例

訓練時以 accuracy 為評估指標，資料切割 80% 訓練 / 20% 測試（stratify=y 保持存活比例一致）。

特徵工程

• Sex：male → 0，female → 1
• Embarked：C → 0，Q → 1，S → 2
• Age / Fare：缺失值以中位數填補
• 使用欄位：Pclass, Sex, Age, SibSp, Parch, Fare, Embarked

主要功能

• 乘客資料 CRUD：新增、查詢、修改、刪除 Titanic 乘客資料（含分頁與搜尋）
• ML 訓練頁面 (/ml)：一鍵觸發背景訓練，Ajax 即時顯示訓練進度與最佳超參數
• 預測頁面 (/ml/predict)：輸入單筆資料或上傳 CSV 批次預測，顯示生還/未生還與機率

成果

執行過程的影片連結 :

Titanic機器學習網頁展示

專案結構

models/
    titanic_model.joblib        # 訓練完成的 XGBoost 模型
titanic_restful_project/
    app.py                      # Flask 主程式（API + 頁面路由）
    init_db.py                  # 資料庫初始化腳本
    titanic.csv                 # 原始資料集
    requirements.txt            # 套件清單
    ML學習筆記.md               # 學習過程筆記
    templates/
        index.html              # 乘客列表頁
        new.html                # 新增乘客頁
        edit.html               # 編輯乘客頁
        ml.html                 # ML 訓練頁
        predict.html            # 預測頁
README.md