机器不学习 www.jqbxx.com : 深度聚合机器学习、深度学习算法及技术实战

在 如何使用sklearn进行在线实时预测（构建真实世界中可用的模型） 这篇文章中，我们使用 sklearn + flask 构建了一个实时预测的模型应用。无论是 sklearn 还是 flask，都是用 Python 编写的，在工业界，我们经常会使用 Python 或 R 来训练离线模型， 使用 Java 来做在线 Web 开发应用，这就涉及到了使用 Java 跨语言来调用 Python 或 R 训练的模型。很明显，之前方式就无法满足要求了。

文章目录 [展示]

PMML

概念

PMML 是 Predictive Model Markup Language 的缩写，翻译为中文就是“预测模型标记语言”。它是一种基于XML的标准语言，用于表达数据挖掘模型，可以用来在不同的应用程序中交换模型。也就是说它定义了一个标准，不同语言都可以根据这个标准来实现。关于 PMML 内部的实现原理细节，我们这里不做深究，感兴趣的可以参见：http://dmg.org/pmml/v4-3/GeneralStructure.html

PMML 能做什么

介绍完了 PMML 的概念后，大家可能还是很懵逼，不清楚它有什么用。先来相对正式的说下它的用处：对于 PMML，使用一个应用程序很容易在一个系统上开发模型，并且只需通过发送XML配置文件就可以在另一个系统上使用另一个应用程序部署模型。也就是说我们可以通过 Python 或 R 训练模型，将模型转为 PMML 文件，再使用 Java 根据 PMML 文件来构建 Java 程序。来看一张关于 PMML 用途的图片。

这一张图的信息量爆炸我，我来一一说明下：

• 整个流程分为两部分：离线和在线。
• 离线部分流程是将样本进行特征工程，然后进行训练，生成模型。一般离线部分常用 Python 中的 sklearn、R 或者 Spark ML 来训练模型。
• 在线部分是根据请求得到样本数据，对这些数据采用与离线特征工程一样的方式来处理，然后使用模型进行评估。一般在线部分常用 Java、C++ 来开发。
• 离线部分与在线部分是通过 PMML 连接的，也就是说离线训练好了模型之后，将模型导出为 PMML 文件，在线部分加载该 PMML 文件生成对应的评估模型。

我们可以看到，PMML 是连接离线与在线环节的关键，一般导出 PMML 文件和 加载 PMML 文件都需要各个语言来做单独的实现。不过幸运的是，已经有很多大神实现了这些，可以参见：https://github.com/jpmml 。

实战环节

训练并导出 PMML

我们这里仍然是通过 sklearn 训练一个随机森林模型，我们需要借助 sklearn2pmml 将 sklearn 训练的模型导出为 PMML 文件。如果没有 sklearn2pmml，请输入以下命令来安装：

pip install --user git+https://github.com/jpmml/sklearn2pmml.git

Bash

我们来看下如何使用 sklearn2pmml 。

from sklearn.datasets import load_iris

from sklearn.ensemble import RandomForestClassifier

from sklearn2pmml import PMMLPipeline, sklearn2pmml

iris = load_iris()

# 创建带有特征名称的 DataFrame

iris_df = pd.DataFrame(iris.data, columns=iris.feature_names)

# 创建模型管道

iris_pipeline = PMMLPipeline([

("classifier", RandomForestClassifier())

])

# 训练模型

iris_pipeline.fit(iris_df, iris.target)

# 导出模型到 RandomForestClassifier_Iris.pmml 文件

sklearn2pmml(iris_pipeline, "RandomForestClassifier_Iris.pmml")

Python

导出成功后，我们将在当前路径看到一个 PMML 文件：RandomForestClassifier_Iris.pmml。

导入 PMML 并进行评估

生成了 PMML 文件后，接下来我们要做的就是使用 Java 导入（加载）PMML文件。这里借助了 Java 的第三方依赖：pmml-evaluator。我们需要在 pom.xml 文件中加入以下依赖：

<dependency>

<groupId>org.jpmml</groupId>

<artifactId>pmml-evaluator</artifactId>

<version>1.4.1</version>

</dependency>

<dependency>

<groupId>org.jpmml</groupId>

<artifactId>pmml-evaluator-extension</artifactId>

<version>1.4.1</version>

</dependency>

Bash

引入 PMML 文件并进行评估的代码如下：

import org.dmg.pmml.FieldName;

import org.dmg.pmml.PMML;

import org.jpmml.evaluator.*;

import org.jpmml.model.PMMLUtil;

import org.xml.sax.SAXException;

import javax.xml.bind.JAXBException;

import java.io.FileInputStream;

import java.io.FileNotFoundException;

import java.io.IOException;

import java.io.InputStream;

import java.util.ArrayList;

import java.util.HashMap;

import java.util.List;

import java.util.Map;

public class ClassificationModel {

private Evaluator modelEvaluator;

/**

* 通过传入 PMML 文件路径来生成机器学习模型

*

* @param pmmlFileName pmml 文件路径

*/

public ClassificationModel(String pmmlFileName) {

PMML pmml = null;

try {

if (pmmlFileName != null) {

InputStream is = new FileInputStream(pmmlFileName);

pmml = PMMLUtil.unmarshal(is);

try {

is.close();

} catch (IOException e) {

System.out.println("InputStream close error!");

}

ModelEvaluatorFactory modelEvaluatorFactory = ModelEvaluatorFactory.newInstance();

this.modelEvaluator = (Evaluator) modelEvaluatorFactory.newModelEvaluator(pmml);

modelEvaluator.verify();

System.out.println("加载模型成功！");

}

} catch (SAXException e) {

e.printStackTrace();

} catch (JAXBException e) {

e.printStackTrace();

} catch (FileNotFoundException e) {

e.printStackTrace();

}

}

// 获取模型需要的特征名称

public List<String> getFeatureNames() {

List<String> featureNames = new ArrayList<String>();

List<InputField> inputFields = modelEvaluator.getInputFields();

for (InputField inputField : inputFields) {

featureNames.add(inputField.getName().toString());

}

return featureNames;

}

// 获取目标字段名称

public String getTargetName() {

return modelEvaluator.getTargetFields().get(0).getName().toString();

}

// 使用模型生成概率分布

private ProbabilityDistribution getProbabilityDistribution(Map<FieldName, ?> arguments) {

Map<FieldName, ?> evaluateResult = modelEvaluator.evaluate(arguments);

FieldName fieldName = new FieldName(getTargetName());

return (ProbabilityDistribution) evaluateResult.get(fieldName);

}

// 预测不同分类的概率

public ValueMap<String, Number> predictProba(Map<FieldName, Number> arguments) {

ProbabilityDistribution probabilityDistribution = getProbabilityDistribution(arguments);

return probabilityDistribution.getValues();

}

// 预测结果分类

public Object predict(Map<FieldName, ?> arguments) {

ProbabilityDistribution probabilityDistribution = getProbabilityDistribution(arguments);

return probabilityDistribution.getPrediction();

}

public static void main(String[] args) {

ClassificationModel clf = new ClassificationModel("RandomForestClassifier_Iris.pmml");

List<String> featureNames = clf.getFeatureNames();

System.out.println("feature: " + featureNames);

// 构建待预测数据

Map<FieldName, Number> waitPreSample = new HashMap<>();

waitPreSample.put(new FieldName("sepal length (cm)"), 10);

waitPreSample.put(new FieldName("sepal width (cm)"), 1);

waitPreSample.put(new FieldName("petal length (cm)"), 3);

waitPreSample.put(new FieldName("petal width (cm)"), 2);

System.out.println("waitPreSample predict result: " + clf.predict(waitPreSample).toString());

System.out.println("waitPreSample predictProba result: " + clf.predictProba(waitPreSample).toString());

}

}

Java

输出结果

加载模型成功！

feature: [sepal length (cm), petal width (cm), sepal width (cm), petal length (cm)]

waitPreSample predict result: 1 waitPreSample predictProba result: {0=0.0, 1=0.5, 2=0.5}

Bash

可以看到，模型需要的特征为：[sepal length (cm), petal width (cm), sepal width (cm), petal length (cm)]，预测该样本最终属于目标编号为 1 的类型，预测该样本属于不同目标编号的概率分布，{0=0.0, 1=0.5, 2=0.5}。

小结

为了实现 Java 跨语言调用 Python/R 训练好的模型，我们借助 PMML 的规范，将模型固化为 PMML 文件，再使用该文件生成模型来评估。