机器学习模型部署—PMML

  之前阐述了逻辑回归、孤立森林等建模方法，本文介绍如何把建好的模型保存为标准格式(PMML文件)。那么，什么情况下需要把模型保存为PMML文件？

  当模型需要跨平台部署或反复调用时，可以把模型保存为PMML文件。比如最近要上线一个反欺诈模型(用的GBDT)。训练模型用的Python(里面有很多现成的库，构建机器学习模型较方便)，生产调用用的Java(写机器学习模型非常麻烦)。这时需要在Python中把训练好的模型保存为PMML文件，到Java中直接调用预测。
  
  
  

  
  
  

一、什么是PMML

  
  PMML(Predictive Model Markup Language)：预测模型标记语言，它用XML格式来描述生成的机器学习模型，是目前表示机器学习模型的实际标准。若要将在Python中训练好的模型部署到生产上时，可以使用目标环境解析PMML文件的库来加载模型，并做预测。

  
  

二、Python中模型保存为PMML的标准格式

  
Python中把模型导出为PMML文件的一般流程如下：

• step1：特征处理（DataFrameMapper函数）。
• step2：训练模型（pipeline函数）。
• step3：导出模型（sklearn2pmml函数）。

其中s