项目：COVID 19。😷

免责声明：

📝项目目标：

👩🏻‍💻使用的技术和语言：

📄数据集：

📊训练数据集：

📈保存模型：

🌸创建UI：

👾 综合起来：

📟现场演示和源代码：

免责声明：

我在 YouTube 上看到很多关于新冠疫情的项目，从中汲取灵感，最终完成了这个项目。我很高兴完成了这个项目。虽然我之前并不了解所有用到的技术，但在制作这个项目的过程中，我学到了所有东西。😊

📝项目目标：

构建一个应用程序，结合我的机器学习和 Web 开发技能。创建一个 Web 应用程序，根据给定的症状预测患者感染 COVID19 的概率。

👩🏻‍💻使用的技术和语言：

Python 库 - pandas、NumPy、Sklearn、pickle；
Jupyter Notebook、
Flask、
HTML、Bootstrap
和 Visual Studio Code。

📄数据集：

生成一个包含 6 列的数据集，其中 5 列分别是年龄（1-100）、华氏度体温（98-104）、身体疼痛（0/1）、咳嗽（1/0）、呼吸困难（-1/0/1），第 6 列表示此人是否患有疾病（0/1）。

📊训练数据集：

我使用逻辑回归训练它并预测了概率。逻辑回归是一种统计模型，其基本形式是使用逻辑函数来建模二元因变量，尽管存在许多更复杂的扩展。在回归分析中，逻辑回归（或逻辑回归）是估计逻辑模型（二元回归的一种形式）的参数。

您可以在这里看到我如何在数据集上使用逻辑回归。

📈保存模型：

使用 Python pickle库保存模型。pickle 模块实现了一种基础但强大的算法，用于序列化和反序列化 Python 对象结构。“Pickling”是将 Python 对象层次结构转换为字节流的过程，“Unpickling”是其逆操作，即将字节流转换回对象层次结构。Pickling（和 Unpickling）也称为“序列化”或“扁平化”，但为了避免混淆，本文使用的术语是“Pickling”和“Unpickling”。

🌸创建UI：

使用简单的 HTML 和 Bootstrap 创建 UI。使用了导航栏、表单和按钮等基本元素。您可以查看下方应用的截图。

👾 综合起来：

现在剩下的就是使用Flask Web 框架将所有东西整合起来。Flask 是一个用 Python 编写的微型 Web 框架。它被归类为微框架，因为它不需要特定的工具或库。

您可以在这里了解我是怎么做的。

📟现场演示和源代码：

源代码可以在下面给出的 GitHub 存储库中查看。🎉

该项目的现场演示如下所示。

请查看并提供反馈。谢谢！💖