返回预测结果和概率

机器学习模型处理输入数据并生成预测后，请求-响应周期的最后一步是将这些结果发送回客户端。您如何构建此响应对于易用性以及与后续应用的集成很重要。仅仅返回原始数字或字符串通常是不够的。客户端通常会从一个定义良好的JSON对象中受益，该对象包含预测结果以及其他可能的相关信息，如置信度分数或概率。

FastAPI 结合 Pydantic，使得使用响应模型来定义和执行这些响应结构变得直接简单。

构建预测响应

让我们从一个基本情况开始：一个预测单个类别标签的分类模型。虽然您可以只返回标签作为字符串，但更好的做法是将其封装在一个 JSON 对象中。这能提供上下文，并使 API 响应更具自我描述性。

我们可以定义一个 Pydantic 模型来表示这种结构：

from pydantic import BaseModel, Field

class PredictionResponse(BaseModel):
    predicted_class: str = Field(..., description="预测的类别标签。")
    # 之后您可能还会添加其他字段，例如请求 ID 或模型版本

在您的端点中，您将在路径操作装饰器的 response_model 参数中使用此模型。FastAPI 会自动处理将返回值（例如字典或另一个 Pydantic 模型实例）序列化为符合 PredictionResponse 格式的 JSON。

# 假设 'model' 是您已加载的机器学习模型对象
# 假设 'InputFeatures' 是您的 Pydantic 输入模型

@app.post("/predict", response_model=PredictionResponse)
async def make_prediction(features: InputFeatures):
    # 1. 如有必要，对特征进行预处理
    processed_data = preprocess(features.dict()) # 预处理示例

    # 2. 从模型获取预测结果
    #    假设 model.predict() 直接返回类别标签
    prediction_label = model.predict(processed_data)

    # 3. 返回符合响应模型的结果
    return PredictionResponse(predicted_class=prediction_label)

这种方式确保响应格式一致，并自动将其包含在 FastAPI 生成的 API 文档中。

包含概率或置信度分数

对于许多分类任务，了解模型对其预测结果的置信度与预测结果本身同样重要。大多数分类模型可以输出每个可能类别的概率。例如，scikit-learn 分类器通常有一个 predict_proba() 方法，该方法返回一个包含每个类别概率的数组。

返回这些概率能为客户端提供有用的背景信息。他们可以使用此信息来设置决策阈值，或识别需要人工审查的不确定预测。

为了包含概率，我们扩展了 Pydantic 响应模型：

from pydantic import BaseModel, Field
from typing import List, Dict

class ProbabilityResponse(BaseModel):
    predicted_class: str = Field(..., description="预测的类别标签。")
    probabilities: Dict[str, float] = Field(..., description="一个字典，将类别标签映射到其预测概率。")
    # 示例: {"cat": 0.95, "dog": 0.04, "other": 0.01}

@app.post("/predict_proba", response_model=ProbabilityResponse)
async def make_prediction_with_proba(features: InputFeatures):
    processed_data = preprocess(features.dict())

    # 假设 model.predict() 提供标签
    prediction_label = model.predict(processed_data)

    # 假设 model.predict_proba() 提供每个类别的概率
    # 并且 model.classes_ 提供类别的顺序
    proba_values = model.predict_proba(processed_data)[0] # 获取第一个（也是唯一一个）输入样本的概率
    class_labels = model.classes_
    probabilities_dict = {label: proba for label, proba in zip(class_labels, proba_values)}

    # 排序概率以便于阅读（可选）
    sorted_probabilities = dict(sorted(probabilities_dict.items(), key=lambda item: item[1], reverse=True))

    return ProbabilityResponse(
        predicted_class=prediction_label,
        probabilities=sorted_probabilities
    )

在此示例中，ProbabilityResponse 定义了一个结构，其中包含最可能的类别（predicted_class）以及一个字典（probabilities），该字典包含与每个可能类别相关的概率。端点从模型中获取预测结果和概率，并根据此结构进行打包。

这些概率的可视化表示有时有助于理解模型的置信度分布。

单个输入实例在不同类别上的预测概率分布示例。类别 A 具有最高概率。

适应不同模型输出

您的响应模型结构应自然地反映您的特定机器学习模型的输出：

• 回归模型: 您可能返回单个 predicted_value（浮点数）而不是 predicted_class 和 probabilities，并且可能包含一个 confidence_interval（例如，一个包含 lower_bound 和 upper_bound 的字典）。
• 多输出模型: 响应模型可能包含多个预测字段或预测/概率列表。
• 对象检测/图像分割: 响应可能涉及边界框列表（包含坐标和类别标签）或图像掩码。

核心思路保持不变：定义一个 Pydantic 模型，精确描述预期的输出格式，并在端点装饰器的 response_model 参数中使用它。这为您的 API 使用者提供了清晰的约定，并使用了 FastAPI 的验证和文档功能。

请记住，在返回浮点数（如概率）时，要考虑数值精度。您可能希望在返回响应之前，在端点逻辑中将它们四舍五入到合理的 H 位小数。此外，确保您的端点在预测过程中优雅地处理潜在错误，或许返回特定的 HTTP 错误代码和消息，而不是标准的预测响应。