必须用joblib.load()而非pickle.load()，因joblib专为scikit-learn模型优化，避免跨环境modulenotfounderror等错误；fastapi中需全局加载、严格校验输入维度与数据质量，并配置多worker生产部署。
模型加载必须用 joblib.load() 而不是 pickle.load()
Scikit-learn 官方明确推荐用 joblib 保存/加载模型，尤其对 NumPy 数组密集型对象（比如 RandomForestClassifier、LogisticRegression）效率更高、兼容性更好。用 pickle 加载可能在跨 Python 版本或不同环境时出错，常见报错是 ModuleNotFoundError: No module named 'sklearn.ensemble._forest'。
实操建议：
- 训练后统一用
joblib.dump(model, "model.joblib") - FastAPI 启动时全局加载一次：在
main.py顶层执行model = joblib.load("model.joblib")，避免每次请求都重载 - 确保部署环境安装的 scikit-learn 版本与训练环境一致（建议用
pip freeze > requirements.txt锁定版本）
FastAPI 的 POST 请求体要严格匹配模型输入维度
scikit-learn 模型的 predict() 或 predict_proba() 方法要求输入是二维数组（哪怕只预测一个样本），而 FastAPI 默认解析 JSON 为 Python 原生 list/dict，容易传入一维结构导致 ValueError: Expected 2D array, got 1D array instead。
实操建议：
- 定义 Pydantic 模型时，用
List[float]表示单个样本，再在外层封装成List[List[float]]或显式 reshape - 推荐写法：
class PredictionRequest(BaseModel): features: List[List[float]] # 强制二维 - 若前端只传一维（如
{"features": [5.1, 3.5, 1.4, 0.2]}），后端需手动转成np.array([request.features])，别依赖自动广播
预测路径里别直接调 model.predict()，先做类型和形状校验
用户可能传 NaN、inf、非数值字段，或特征数量不匹配（比如训练用 4 列，却传了 5 个数字），直接进模型会抛异常并中断整个请求处理流程，FastAPI 默认返回 500，不利于调试和监控。
实操建议：
- 用
np.array(request.features, dtype=np.float64)强制类型转换，捕获ValueError提前返回 422 - 检查 shape：
if X.shape[1] != expected_n_features:→ 返回清晰错误信息 - 过滤 NaN/inf：
if not np.isfinite(X).all():→ 拒绝该批次请求 - 把预测逻辑包在 try/except 里，避免未捕获异常崩掉 worker
用 uvicorn.run() 启动时别漏掉 workers 和 reload 开关
本地开发和生产部署的启动方式差异很大。直接 python main.py 运行默认单进程、无热重载；而生产环境需要多 worker 并发 + 零停机更新能力。
实操建议：
- 开发时加
reload=True：uvicorn.run("main:app", reload=True, host="0.0.0.0", port=8000) - 生产启动务必用
--workers N（N ≥ CPU 核数），例如：uvicorn main:app --workers 4 --host 0.0.0.0 --port 8000 - 不要在代码里硬编码
if __name__ == "__main__":启动逻辑，改用命令行方式，方便容器化和进程管理
模型输入校验和 worker 配置这两块最容易被跳过，但线上出问题时往往就卡在这儿——不是模型不准，而是格式没兜住，或者并发一上来就排队超时。
大量免费API接口：立即使用
涵盖生活服务API、金融科技API、企业工商API、等相关的API接口服务。免费API接口可安全、合规地连接上下游，为数据API应用能力赋能！
