java调⽤python数据分析模型_pmml：java调⽤Python训练的
模型之xgboost
使⽤sklearn2pmml 保存Python的模型
第⼀步：Python端安装sklearn2pmml，这⾥安装的是PMML最新版本，4.4 ，这⾥的4.4和java的jar对应
pip install sklearn2pmml
第⼆步：Python端修改代码
pipeline = PMMLPipeline([('classifier', clf)])
pipeline.fit(X_train, Y_train)
sklearn2pmml(pipeline, 'output/XGboost1.pmml', with_repr=True, debug=True)from xgboost.sklearn import XGBClassifier ics import accuracy_score
ics import recall_score
ics import precision_scorejava调用python模型
ics import f1_score
ics import confusion_matrix
from sklearn2pmml import PMMLPipeline, sklearn2pmml
def trian_xgboost(df, fwmodel):
'''
训练模型，并测试结果
:param arr: 数据
:param samplemore: 是否往多了采样
:param fwmodel: 模型的保存路径
:return:
'''
y = df['lable'].values
df.drop(['lable'], axis=1, inplace=True)
X = df.values
lumns)
print('=============xgboost=============')
X_train, X_test, Y_train, Y_test = train_test_split(X, y, test_size=0.25, random_state=0)
clf = XGBClassifier(
silent=0, # 设置成1则没有运⾏信息输出，最好是设置为0.是否在运⾏升级时打印消息。
# nthread=4,# cpu 线程数 默认最⼤
learning_rate=0.07, # 如同学习率
min_child_weight=3,
# 这个参数默认是 1，是每个叶⼦⾥⾯ h 的和⾄少是多少，对正负样本不均衡时的 0-1 分类⽽⾔
# ，假设 h 在 0.01 附近，min_child_weight 为 1 意味着叶⼦节点中最少需要包含 100 个样本。
# 这个参数⾮常影响结果，控制叶⼦节点中⼆阶导的和的最⼩值，该参数值越⼩，越容易 overfitting。max_depth=12, # 构建树的深度，越⼤越容易过拟合
gamma=0, # 树的叶⼦节点上作进⼀步分区所需的最⼩损失减少，越⼤越保守，⼀般0.1、0.2这样⼦。subsample=1, # 随机采样训练样本 训练实例的⼦采样⽐
max_delta_step=0, # 最⼤增量步长，我们允许每个树的权重估计。
# colsample_bytree=1, # ⽣成树时进⾏的列采样
reg_lambda=1, # 控制模型复杂度的权重值的L2正则化项参数，参数越⼤，模型越不容易过拟合。
# objective='multi:softmax', # 多分类的问题 指定学习任务和相应的学习⽬标
n_estimators=100, # 树的个数
seed=1000
)
pipeline = PMMLPipeline([('classifier', clf)])
pipeline.fit(X_train, Y_train)
y_pred = pipeline.predict(X_test)
print("================================")
print(y_pred)
print('=================================')
print(Y_test)
print('=========================')
# print(X_test)
predictions = [round(value) for value in y_pred]
accuracy = accuracy_score(Y_test, predictions)
print("Accuracy: %.2f%%" % (accuracy * 100.0))
xx = precision_score(Y_test, predictions, average='macro')
yy = recall_score(Y_test, predictions, average='macro')
print("精确率: %.2f%%" % (xx * 100.0))
print("召回率: %.2f%%" % (yy * 100.0))
mm = f1_score(Y_test, predictions, average='weighted')
print("f1 %.2f%%" % (mm * 100.0))
# 混淆矩阵
nn = confusion_matrix(Y_test, predictions)
print("混淆矩阵", nn)
# 分类报告：precision / recall / fi - score / 均值 / 分类个数
target_names = ['class 0', 'class 1']
print(classification_report(Y_test, predictions, target_names=target_names))
sklearn2pmml(pipeline, 'output/XGboost1.pmml', with_repr=True, debug=True)
第三步：⽣成pmml模型
第四步：java端引⼊maven需要的jar包
注意：这⾥pmml相关的包必须是1.5.x以上，因为Python端⽣成的模型是4.4的，否则就会包版本不对应的错误java.lang.IllegalArgumentException
org.jpmml
pmml-evaluator
1.5.11
org.jpmml
pmml-evaluator-extension
1.5.11
jaxb-api
2.3.0
l.bind
jaxb-core
2.3.0
l.bind
jaxb-impl
2.3.0
第五步：java端代码，因为导⼊的是1.5.x的jar包所以代码跟1.4.x的写的不⼀样
import org.dmg.pmml.FieldName;
import org.dmg.pmml.PMML;
import org.jpmml.evaluator.Evaluator;
import org.jpmml.evaluator.FieldValue;
import org.jpmml.evaluator.InputField;
import org.jpmml.evaluator.ModelEvaluator;
import org.jpmml.evaluator.ModelEvaluatorBuilder;
import org.jpmml.evaluator.ModelEvaluatorFactory;
import org.jpmml.evaluator.TargetField;
import org.jpmml.evaluator.ReportFactory;
public class Rmd_prod {
public static void predictLrHeart(Map irismap,String pathxml)throws Exception {
PMML pmml;
// 模型导⼊
File file = new File(pathxml);
InputStream inputStream = new FileInputStream(file);
try (InputStream is = inputStream) {
pmml = del.PMMLUtil.unmarshal(is);
//pmml = del.PMMLUtil.unmarshal(is);
ModelEvaluatorFactory modelEvaluatorFactory = ModelEvaluatorFactory
.
newInstance();
//1.5.x版本
ModelEvaluatorBuilder modelEvaluatorBuilder = new ModelEvaluatorBuilder(pmml); Evaluator evaluator = modelEvaluatorBuilder.build();
// Activate the generation of MathML prediction reports
modelEvaluatorBuilder.setModelEvaluatorFactory(modelEvaluatorFactory);
Evaluator reportingEvaluator = modelEvaluatorBuilder.build();
//1.4.x版本
//ModelEvaluator> modelEvaluator = wModelEvaluator(pmml); //Evaluator evaluator = (Evaluator) modelEvaluator;
List inputFields = InputFields();
// 过模型的原始特征，从画像中获取数据，作为模型输⼊
Map arguments = new LinkedHashMap<>();
for (InputField inputField : inputFields) {
FieldName inputFieldName = Name();
Object rawValue = irismap
.Value());
FieldValue inputFieldValue = inputField.prepare(rawValue);
arguments.put(inputFieldName, inputFieldValue);
}
Map results = evaluator.evaluate(arguments);
List targetFields = TargetFields();
//对于分类问题等有多个输出。
for (TargetField targetField : targetFields) {
FieldName targetFieldName = Name();
Object targetFieldValue = (targetFieldName);
+ " value: " + targetFieldValue);
}
}
}
public static void main(String[] args) throws Exception{
String pathxml="/Users/wl/Documents/Pycharm/output/XGboost1.pmml"; Map map=new HashMap();
map.put("x1",0.7);
map.put("x2",0.2);
map.put("x3",(double)1);
map.put("x4",(double)0);
map.put("x5",(double)1);
map.put("x6",(double)0);
map.put("x7",(double)0);
map.put("x8",(double)0);
map.put("x9",(double)0);
map.put("x3",(double)1);
map.put("x4",(double)0);
map.put("x5",(double)1);
map.put("x6",(double)0);
map.put("x7",(double)0);
map.put("x8",(double)0);
map.put("x9",(double)0);
map.put("x10",(double)0);
map.put("x11",(double)1);
map.put("x12",(double)1);
map.put("x13",(double)1);
map.put("x14",(double)0);
map.put("x15",(double)1);
map.put("x16",(double)0);
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论