机器学习是python语言的长处,而Java在web开发方面更具有优势,如何通过java来调用python中训练好的模型进行在线的预测呢?在java语言中去调用python构建好的模型主要有三种方法:
1.在Java语言中,通过python的解释器执行python代码,简单来说就是在java中通过python解释器对象,传入写好的python代码,进行执行,这样的方式运行的效率非常低,而且存在很多python包无法使用的情况,只适合做简单的python代码的运行,并不推荐使用。
2.通过PMML工具,将在sklearn中训练好的模型生成一个pmml格式的文件,在该文件中,主要包含了模型的一些训练好的参数,以及输入数据的格式和名称等信息。生成了pmml文件之后,在java中导入pmml相关的包,我们就能通过pmml相关的类读取生成的pmml文件,使用其中的方法传入指定的参数就能实现模型的预测,速度快,效果不错。
3.第二种方法因为模型已经训练好了,无法改变,不能实现在线调参的功能,我们可以通过socket服务来进行python和java之间的网络通信,python提供socket服务,java端将模型的参数通过网络传给python端,python端接受到参数之后,进行模型的训练,训练完成之后,将得到的结果返回给Java端。
下面给是使用pmml方式调用的步骤:
1.在python端生成pmml模型文件,下面以logistic回归为例
x_train, x_test, y_train, y_test = train_test_split(x, y, train_size=0.85, random_state=1)
model= PMMLPipeline([('LogisticModer', LogisticRegression())])
model.fit(x_train, y_train)
y_hat=model.predict(x_test)
loss= y_hat ==y_test
accuracy=np.mean(loss)print(accuracy)
sklearn2pmml(model,'.\LogisticRegression.pmml', with_repr=True)
需要加载的包
from sklearn2pmml importsklearn2pmmlfrom sklearn2pmml.pipeline import PMMLPipeline
我们使用PMMLPipeline()的管道函数,还可以在管道中加入其它的一些预处理的操作,比如归一化。sklearn2pmml()函数能够将训练好的模型生成pmml文件,下面来看生成的pmml文件是怎样的吧:
下面,我们建一个JavaWeb工程:
1
2 org.jpmml
3 pmml-evaluator
4 1.4.1
5
6
7
8
9 org.jpmml
10 pmml-evaluator-extension
11 1.4.1
12
13
在maven中引入相关的依赖,我们将要用到的方法进行封装,制作成一个工具类:
public staticPMML getPMMLModel(InputStream inputStream) {
PMML pmml= newPMML();try{
pmml=org.jpmml.model.PMMLUtil.unmarshal(inputStream);
}catch(SAXException e1) {
e1.printStackTrace();
}catch(JAXBException e2) {
e2.printStackTrace();
}finally{try{
inputStream.close();
}catch(IOException e) {
e.printStackTrace();
}returnpmml;
}
}public staticEvaluator loadPmmlAndgetEvaluator(MachineLearnType machineLearnType) {
String modefile= getJpmmlModelPath(machineLearnType); //获取模型的pmml文件路径
InputStream inputStream= readPmmlFile(modefile); //根据文件路径返回输入流
PMML pmml= getPMMLModel(inputStream); //根据输入流返回PMML
ModelEvaluatorFactory modelEvaluatorFactory= ModelEvaluatorFactory.newInstance(); //获取 ModelEvaluatorFactory
Evaluator evaluator= modelEvaluatorFactory.newModelEvaluator(pmml); //根据 PMML 模型返回 Evaluator 对象
pmml= null;returnevaluator;
}public static Map modelPrediction(Evaluator evaluator, MapparamData) {if (evaluator == null || paramData == null) {
System.out.println("--------------传入对象 evaluator 或 dataMap 为空, 无法进行预测----------------");return null;
}
List inputFields = evaluator.getInputFields(); //获取模型的输入域
Map arguments = new LinkedHashMap<>();for (InputField inputField : inputFields) { //将参数通过模型对应的名称进行添加
FieldName inputFieldName = inputField.getName(); //获取模型中的参数名
Object paramValue = paramData.get(inputFieldName.getValue()); //获取模型参数名对应的参数值
FieldValue fieldValue = inputField.prepare(paramValue); //将参数值填入模型中的参数中
arguments.put(inputFieldName, fieldValue); //存放在map列表中
}
Map results =evaluator.evaluate(arguments);
List targetFields =evaluator.getTargetFields();
Map resultMap = new HashMap<>();for(TargetField targetField : targetFields) {
FieldName targetFieldName=targetField.getName();
Object targetFieldValue=results.get(targetFieldName);if (targetFieldValue instanceofComputable) {
Computable computable=(Computable) targetFieldValue;
resultMap.put(targetFieldName.getValue(), computable.getResult());
}else{
resultMap.put(targetFieldName.getValue(), targetFieldValue);
}
}returnresultMap;
}
上述的方法中,我们将生成的pmml文件读取,得到InputStream对象,调用上述的方法就行了。上面的代码中,MachineLearnType的作用就是获取pmml的路径,我们将要输入的参数放入Map中,进行预测,最后返回预测结果的Map,下面来看Service层的代码,其中MachineLearnType.LOGISTIC_REGRESSION就是根据名称获取pmml文件:
Evaluator evaluator =JPmmlModelUtil.loadPmmlAndgetEvaluator(MachineLearnType.LOGISTIC_REGRESSION);
Map results =JPmmlModelUtil.modelPrediction(evaluator, paramMap);int result =(int)((double)results.get("y"));
下面是Controller层的代码:
/*** 使用pmml方式对输入的参数进行线性回归预测*/@PostMapping("/logispmml")public ServerResponse IrisLogosPmmlPredict(@RequestParam @Valid doublex1,
@RequestParam @Validdoublex2,
@RequestParam @Validdoublex3,
@RequestParam @Validdoublex4) {
logger.info("x1: " + x1 + " x2: " + x2 + " x3:" + x3 + "x4:" +x4);
Map paramMap = new HashMap<>();
paramMap.put("x1", x1);
paramMap.put("x2", x2);
paramMap.put("x3", x3);
paramMap.put("x4", x4);
String result=logisticRegressionService.pridictlogisticpmml(paramMap);returncreateBySuccess(result);
}
我们生成的模型是logistic回归进行鸢尾花数据集的分类,输入的是样本的四个特征,输出是类别0,1,2
int result =(int)((double)results.get("y"));
String irisName= newString();if(result == 0){
irisName= "Iris-setosa";
}if(result == 1){
irisName= "Iris-versicolor";
}if(result == 2){
irisName= "Iris-virginica";
}returnirisName;
}
我们在service中将预测结果转换为对应的类别,下面使用测试工具进行测试:
我们就可以在python中将模型构建好,来进行调用啦!