java sk2.0_机器学习——Java调用sklearn生成好的Logistic模型进行鸢尾花的预测

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！