一、引言：为什么需要将模型部署为API？
当我们完成一个机器学习模型的训练后，模型本质上是一个存在于本地环境中的文件（如.pkl或.h5）。若想让这个模型为外部系统提供服务（比如Web应用、移动端App或其他后端服务），最常见的做法是将其封装为API——通过网络接口接收输入数据，返回预测结果。这种方式解耦了模型逻辑与调用方，实现了跨平台、跨语言的交互。
本文将以一个房价预测模型为例（基于scikit-learn的线性回归），详细讲解如何通过Flask框架开发API，并使用Docker将整个服务容器化，最终实现稳定部署。全程围绕模型保存与加载、API开发、容器化部署三大核心环节，避免理论堆砌，注重实战细节。
二、模型保存与加载：让训练成果“持久化”
在训练完模型后，我们需要将其保存为文件，以便在API服务中加载使用。Python中常用的模型