本文介绍了如何使用 Alink 的 LocalPredictor 进行本地预测。首先，模型训练完成后需要保存，然后通过 PipelineModel 的 load 方法加载模型，构建 LocalPredictor 实例。预测时，LocalPredictor 接收 Row 格式数据，输出同样为 Row 格式，包含多列信息。Alink 是基于 Flink 的机器学习平台，提供了 LocalPredictor 以方便将预测集成到业务系统。
机器学习训练算法比较复杂，往往需要分布式进行，但是训练出来的模型进行预测相对简单很多，一般是单个节点装载整个模型，可以同时有多个预测节点，每个都装载整个模型，从而进行多路预测。很多不依赖模型的数据预处理算法也是这种模式，单个节点可以进行完整的操作，多个节点可以并行处理。
使用我们的算法组件直接对批式的数据或者流式的数据进行预测，用户也希望我们能提供 SDK 的方式，即，由参数或模型数据直接构建一个本地的 java 实例，我们称之为 LocalPredictor，可以对单条数据进行预测。这样的话，预测不再必须由 Flink 任务完成，可以嵌入到提供 RestAPI 的预测服务系统，或者嵌入到用户的业务系统里。
本文将以中文情感分析场景为例，介绍 Alink LocalPredictor 的具体使用方法。关于如何建立 Pipeline 及训练出 PipelineModel，读者可以参阅下面这篇文章：
在上面的示例中，模型训练完成后直接用之进行预测，在一个任务中完成，没有进行模型保存。我们需要进行模型保存操作，以便在另一应用中的 LocalPredict
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
