以莺尾花数据集为例，探讨R模型部署之道

感谢关注天善智能，走好数据之路↑↑↑

欢迎关注天善智能，我们是专注于商业智能BI，大数据，数据分析领域的垂直社区，学习，问答、求职一站式搞定！

内容概要：

1、iris数据集简介

2、R模型部署的可能方案

3、H2o.ai框架及pojo/mojo模型部署

正式内容：

iris data set简介

Iris数据集是常用的分类实验数据集，由Fisher, 1936收集整理。Iris也称鸢尾花卉数据集，是一类多重变量分析的数据集。数据集包含150个数据集，分为3类，每类50个数据，每个数据包含4个属性。可通过花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性预测鸢尾花卉属于（Setosa，Versicolour，Virginica）三个种类中的哪一类。

数据集链接：http://archive.ics.uci.edu/ml/datasets/Iris

图片来源：

https://en.wikipedia.org/wiki/Iris_flower_data_set

R模型部署的可能方案

R语言模型部署的相关内容网络或者书籍上介绍的比较少，博主在一段时间摸索后对自己了解的可能方案进行如下归纳，仅供参考：

部署方式涉及的包及工具简介

Mojo/PojoH2OH2O可以将训练好的model转换为Plain Old Java Object (POJO) or a Model ObJect, Optimized (MOJO)，从而很容易嵌入java环境中。仅需通过提供的h2o-genmodel.jar 生成相应的war包即可。

webAPIpumber包Turn your R code into a web API https://www.rplumber.io，而且还可以通过PM2/ Docker等方式实现服务托管

PMMLr2pmml包R package for converting R models to PMML，然后用java调用pmml进行部署

H2o.ai框架及pojo/mojo模型部署

H2o.ai为开源的AI平台（Open Source AI Platform），提供了R、python、h2oflow等作为前端的机器学习建模平台，支持的算法有：监督学习（GLM、GBM、Deep Learning、Distributed Random Forest、Naive Bayes、Stacked Ensembles），非监督学习（GLRM、K-Means、PCA）以及Word2vec模型。

H2o.ai模型的部署方式

训练分类模型（GBM）=>model输出为pojo格式 =>pojo转换为war包 =>jetty容器运行war包 =>api服务

使用h2o+R训练GBM分类器

#加载包library(h2o)#h2o环境初始化h2o.init()fr <- as.h2o(iris)my_model <- h2o.gbm(x=1:4,y=5,training_frame=fr)h2o.download_pojo(my_model,getwd())h2o.shutdown()

模型保存为：

，同时生成

，在R的工作路径下可以找到。

构建H2O预测服务器

a.准备工作：

Java 1.6、rJava、jetty-runner环境的安装，Linux/ Mac OSX系统

b.build the H2O Prediction Service Builder:

克隆steam文件git clone https://github.com/h2oai/steam

打开一个terminal窗口，进到steam/prediction-service-builder目录下

Run ./gradlew build 来构建服务

出现BUILD SUCCESSFULmessage之后，Run./gradlew jettyRunWar来运行builder service

打开浏览器，输入localhost:55000，出现模型builder界面，选择 GBM_model_R_XXX.java/h2o-genmodel.jar包（上一步生成的文件），此时会生成一个war，保存（拷贝到~/steam/prediction-service-builder目录下）以便下一步使用。

Run the Builder Service

新开一个一个terminal窗口，进到~/steam/prediction-service-builder目录下，运行：java -jar jetty-runner-9.3.9.M1.jar --port 55001 ~/GBM_model_R_1500467395689_54.war

浏览器输入http://localhost:55001，进入预测界面：

输入相关参数，点击predict，页面右侧就出现了预测结果：分属于每一个类别的概率。

同时，还可以点击

箭头按钮，弹出api网址，通过传递参数，即可得到json格式的预测结果：

参考文档：

https://github.com/h2oai/steam/tree/master/prediction-service-builder

PS：

本次只对mojo/pojo的方式进行了阐述，后期会对其他两种方式进行探讨，敬请期待。

本文作者：天善社区 数据取经团

原文链接：https://www.hellobi.com/u/61330