在当今快速发展的技术领域中，机器学习（ML）以其在自动化任务中的巨大潜力而脱颖而出，这些任务无需人工干预也无需显式编程。机器学习的力量如此之大，以至于几乎可以在日常生活的每个角落看到它的应用。它解决了以前存在的问题，并极大地推动了全球商业的发展。
机器学习模型通常旨在解决现有问题。可能想过，模型如何成为解决方案，人们将如何使用它？事实上，人们不能直接使用笔记本和代码，这就是需要部署模型的地方。可以像API或网络服务一样部署模型。在这里，使用Flask微框架。Flask为网络应用定义了一组约束，用于发送和接收数据。
即将部署一个用于汽车销售价格预测和分析的ML模型。这种系统对许多人来说非常方便。想象一下，如果有一辆旧车想要出售，当然可以找代理人来做这件事，并找到市场价格，但后来可能不得不为他的卖车服务支付费用。但是，如果可以在没有代理人干预的情况下知道汽车售价呢？或者，如果是代理人，这肯定会让工作变得更容易。是的，这个系统已经学习了多年来各种汽车的售价。
为了清楚起见，这个部署的网络应用将根据燃料类型、服务年限、展厅价格、前车主数量、行驶公里数、是否为经销商/个人，以及最终的传动类型是手动/自动，为提供汽车的大致售价。这是一个额外的好处。
数据集附加在GitHub文件夹中。数据包含300行和9列。由于目标是找到售价，目标属性y也是售价，其余特征用于分析和预测。
data = data.drop(['Car_Name'], axis=1)
data['current_year'] = 2020
data['no_year'] = data['current_year'] - data['Year']
data = data.drop(['Year','current_year'],axis = 1)
data = pd.get_dummies(data,drop_first=True)
data = data[['Selling_Price','Present_Price','Kms_Driven','no_year','Owner','Fuel_Type_Diesel','Fuel_Type_Petrol',
'Seller_Type_Individual','Transmission_Manual']]
data
data.corr()
from sklearn.model_selection import train_test_split
x_train, x_test,y_train,y_test = train_test_split(x,y,random_state=0,test_size=0.2)
使用随机森林回归器来预测售价，因为这是一个回归问题，随机森林使用多个决策树，并已显示出对模型有良好的结果。
from sklearn.ensemble import RandomForestRegressor
model = RandomForestRegressor()
hyp = RandomizedSearchCV(estimator = model,
param_distributions=grid,
n_iter=10,
scoring= 'neg_mean_squared_error'
cv=5,verbose = 2,
random_state = 42,n_jobs = 1)
hyp.fit(x_train,y_train)
import pickle
file = open("file.pkl", "wb")
pickle.dump(hyp, file)