基于房价数据，在python中训练得到一个线性回归的模型，在JavaWeb中加载模型完成房价预测的功能。

一、 训练、保存模型

工具：PyCharm-2017、Python-39、sklearn2pmml-0.76.1。

1.训练数据house_price.csv

No square_feet price
1 150 6450
2 200 7450
3 250 8450
4 300 9450
5 350 11450
6 400 15450
7 600 18450

2.训练、保存模型

import sklearn2pmml as pmml

from sklearn2pmml import PMMLPipeline

from sklearn import linear_model as lm

import os

import pandas as pd

def save_model(data, model_path):

    pipeline = PMMLPipeline([("regression", lm.LinearRegression())])

    pipeline.fit(data[["square_feet"]], data["price"])

    pmml.sklearn2pmml(pipeline, model_path, with_repr=True)

if __name__ == "__main__":

    data = pd.read_csv("house_price.csv")

    model_path = model_path = os.path.dirname(os.path.abspath(__file__)) + "/my_liner_model.pmml"

    save_model(data, model_path)

    print("模型保存完成。")

二、JavaWeb应用开发

工具：IntelliJ IDEA-2018、jdk-14.0.2、Tomcat-9.0.37。

创建maven项目，加入依赖项

    <dependencies>

        <dependency>

            <groupId>org.jpmml</groupId>

            <artifactId>pmml-evaluator</artifactId>

            <version>1.4.15</version>

        </dependency>

        <dependency>

            <groupId>com.sun.xml.bind</groupId>

            <artifactId>jaxb-core</artifactId>

            <version>2.2.11</version>

        </dependency>

        <dependency>

            <groupId>javax.xml</groupId>

            <artifactId>jaxb-api</artifactId>

            <version>2.1</version>

        </dependency>

        <dependency>

            <groupId>com.sun.xml.bind</groupId>

            <artifactId>jaxb-impl</artifactId>

            <version>2.2.11</version>

        </dependency>

        <dependency>

            <groupId>javax.servlet</groupId>

            <artifactId>javax.servlet-api</artifactId>

            <version>3.0.1</version>

        </dependency>

    </dependencies>

项目结构为

界面——index.jsp

<%@ page contentType="text/html;charset=UTF-8" language="java" %>

<html>

<head>

    <title>使用pmml跨平台部署机器学习模型Demo</title>

</head>

<body>

<h2>使用pmml跨平台部署机器学习模型Demo——房价预测</h2>

<form name="form" method="post" action="/PredictServlet">

    <label>房子英尺数（整数）：</label>

    <input type="text" name="feet" required>

    <button type="submit">预测房价</button>

</form>

<div>

    <label>预测价格为：</label>

    ${price}

</div>

</body>

</html>

Servlet类——PredictServlet.java

package servlet;

import service.PredictService;

import service.imp.PredictServiceImp;

import javax.servlet.ServletException;

import javax.servlet.annotation.WebServlet;

import javax.servlet.http.HttpServlet;

import javax.servlet.http.HttpServletRequest;

import javax.servlet.http.HttpServletResponse;

import java.io.IOException;

@WebServlet("/PredictServlet")

public class PredictServlet extends HttpServlet {

    protected void doPost(HttpServletRequest request, HttpServletResponse response) throws ServletException, IOException {

        PredictService predictService = new PredictServiceImp();

        String feet_str = request.getParameter("feet"); //获取前端传来的值

        int feet = Integer.parseInt(feet_str);

        double price = predictService.getPredictedPrice(feet); //预测

        //请求转发，返回结果

        request.setAttribute("price", price);

        request.getRequestDispatcher("/index.jsp").forward(request, response);

    }

    protected void doGet(HttpServletRequest request, HttpServletResponse response) throws ServletException, IOException {

        this.doPost(request, response);

    }

}

Service接口——PredictService.java

package service;

public interface PredictService {

    public double getPredictedPrice(int feet);

}

Service实现类——PredictServiceImp.java

package service.imp;

import org.dmg.pmml.FieldName;

import org.dmg.pmml.PMML;

import org.jpmml.evaluator.*;

import service.PredictService;

import java.io.FileInputStream;

import java.io.InputStream;

import java.util.HashMap;

import java.util.LinkedHashMap;

import java.util.List;

import java.util.Map;

public class PredictServiceImp implements PredictService {

    public double getPredictedPrice(int feet) {

        String model_path = "D:\\my_liner_model.pmml"; //pmml模型文件存放路径

        Evaluator model = loadModel(model_path); //加载模型

        Object r = predict(model, feet); //预测

        double result = Double.parseDouble(String.format("%.2f", r)); //格式化

        return result;

    }

    private static Evaluator loadModel(String model_path){

        PMML pmml = new PMML(); //定义PMML对象

        InputStream inputStream; //定义输入流

        try {

            inputStream = new FileInputStream(model_path); //输入流接到磁盘上的模型文件

            pmml = org.jpmml.model.PMMLUtil.unmarshal(inputStream); //将输入流解析为PMML对象

        }catch (Exception e){

            e.printStackTrace();

        }

        ModelEvaluatorFactory modelEvaluatorFactory = ModelEvaluatorFactory.newInstance(); //实例化一个模型构造工厂

        Evaluator evaluator = modelEvaluatorFactory.newModelEvaluator(pmml); //将PMML对象构造为Evaluator模型对象

        return evaluator;

    }

    private static Object predict(Evaluator evaluator, int feet){

        Map<String, Integer> data = new HashMap<String, Integer>(); //定义测试数据Map，存入各元自变量

        data.put("square_feet", feet); //键"square_feet"为自变量的名称，应与训练数据中的自变量名称一致

        List<InputField> inputFieldList = evaluator.getInputFields(); //得到模型各元自变量的属性列表

        Map<FieldName, FieldValue> arguments = new LinkedHashMap<FieldName, FieldValue>();

        for (InputField inputField : inputFieldList) { //遍历各元自变量的属性列表

            FieldName inputFieldName = inputField.getName();

            Object rawValue = data.get(inputFieldName.getValue()); //取出该元变量的值

            FieldValue inputFieldValue = inputField.prepare(rawValue); //将值加入该元自变量属性中

            arguments.put(inputFieldName, inputFieldValue); //变量名和变量值的对加入LinkedHashMap

        }

        Map<FieldName, ?> result = evaluator.evaluate(arguments); //进行预测

        List<TargetField> targetFieldList = evaluator.getTargetFields(); //得到模型各元因变量的属性列表

        FieldName targetFieldName = targetFieldList.get(0).getName(); //第一元因变量名称

        Object targetFieldValue = result.get(targetFieldName); //由因变量名称得到值

        return targetFieldValue;

    }

}

三、运行测试

  将python中训练得到的pmml模型文件置于D盘根目录下，将文件中的xmlns=".../PMML-4_4"修改为xmlns=".../PMML-4_3"。

启动运行，浏览器访问http://localhost/，进入页面

输入房子英尺数，点击‘预测房价’按钮，展示出预测价格

打包下载：

https://download.csdn.net/download/Albert201605/45648664

End.

使用pmml跨平台部署机器学习模型Demo——房价预测的更多相关文章

  1. 使用pmml实现跨平台部署机器学习模型

    一.概述   对于由Python训练的机器学习模型,通常有pickle和pmml两种部署方式,pickle方式用于在python环境中的部署,pmml方式用于跨平台(如Java环境)的部署,本文叙述的 ...

  2. 用PMML实现python机器学习模型的跨平台上线

    python信用评分卡(附代码,博主录制) https://study.163.com/course/introduction.htm?courseId=1005214003&utm_camp ...

  3. 第十三次作业——回归模型与房价预测&第十一次作业——sklearn中朴素贝叶斯模型及其应用&第七次作业——numpy统计分布显示

    第十三次作业——回归模型与房价预测 1. 导入boston房价数据集 2. 一元线性回归模型,建立一个变量与房价之间的预测模型,并图形化显示. 3. 多元线性回归模型,建立13个变量与房价之间的预测模 ...

  4. 使用Flask部署机器学习模型

    Introduction A lot of Machine Learning (ML) projects, amateur and professional, start with an aplomb ...

  5. 用PMML实现机器学习模型的跨平台上线

    在机器学习用于产品的时候,我们经常会遇到跨平台的问题.比如我们用Python基于一系列的机器学习库训练了一个模型,但是有时候其他的产品和项目想把这个模型集成进去,但是这些产品很多只支持某些特定的生产环 ...

  6. 使用ML.NET + ASP.NET Core + Docker + Azure Container Instances部署.NET机器学习模型

    本文将使用ML.NET创建机器学习分类模型,通过ASP.NET Core Web API公开它,将其打包到Docker容器中,并通过Azure Container Instances将其部署到云中. ...

  7. tensorflow机器学习模型的跨平台上线

    在用PMML实现机器学习模型的跨平台上线中,我们讨论了使用PMML文件来实现跨平台模型上线的方法,这个方法当然也适用于tensorflow生成的模型,但是由于tensorflow模型往往较大,使用无法 ...

  8. Kubernetes入门(四)——如何在Kubernetes中部署一个可对外服务的Tensorflow机器学习模型

    机器学习模型常用Docker部署,而如何对Docker部署的模型进行管理呢?工业界的解决方案是使用Kubernetes来管理.编排容器.Kubernetes的理论知识不是本文讨论的重点,这里不再赘述, ...

  9. 基于FastAPI和Docker的机器学习模型部署快速上手

    针对前文所述 机器学习模型部署摘要 中docker+fastapi部署机器学习的一个完整示例 outline fastapi简单示例 基于文件内容检测的机器学习&fastapi 在docker ...

随机推荐

  1. 踩坑系列《十三》解决时间戳long转换int溢出（即转换值为负数）

    最近业务需求,需要使用到 int 类型的时间戳,所以在使用时间戳的时候,由于java自带的 System.currentTimeMillis() 返回的类型是long,强行转换一波的话,是会出现数据溢 ...

  2. 架构师必备：MySQL主从同步原理和应用

    日常工作中,MySQL数据库是必不可少的存储,其中读写分离基本是标配,而这背后需要MySQL开启主从同步,形成一主一从.或一主多从的架构,掌握主从同步的原理和知道如何实际应用,是一个架构师的必备技能. ...

  3. RAC使用auto rolling的方式打补丁

    11.2.0.4 RAC 某系统主库使用auto rolling的方式打补丁在一节点执行1-5,结束后然后在二节点执行1-5,结束后最后再在某个节点执行6. 1.backup GI_HOME& ...

  4. 每个男孩的机械梦「GitHub 热点速览 v.21.41」

    作者:HelloGitHub-小鱼干 机械臂可能在医疗剧中看过,可以用来执行一些精细化的操作,例如:缝合之类的.但这次 Dummy-Robot 让你不仅看看而已,还具备一定的实操性(有一定的动手.经济 ...

  5. 教你 4 步搭建弹性可扩展的 WebAPI

    作者 | 萧起  阿里云云原生团队 本文整理自<Serverless 技术公开课>,关注"Serverless"公众号,回复"入门",即可获取 Se ...

  6. FastAPI 学习之路（十三）Cookie 参数,Header参数

    系列文章: FastAPI 学习之路(一)fastapi--高性能web开发框架 FastAPI 学习之路(二) FastAPI 学习之路(三) FastAPI 学习之路(四) FastAPI 学习之 ...

  7. 好奇！仅 13kB 大小的游戏，源码长啥样？

    这个马赛克风格的表情正好 13Kb,有人竟然能用一个表情大小的空间,制作个游戏出来.我就不信这么点的地儿,能写出个花来?游戏能好玩吗?因为这些游戏点开就能玩,我抱着试一试的心态把玩了一会. 事实证明是 ...

  8. perl打开读取文件（open）

    在Perl中可以用open或者sysopen函数来打开文件进行操作,这两个函数都需要通过一个文件句柄(即文件指针)来对文件进行读写定位等操作.下面以open函数为例:1:读:open(文件句柄,&qu ...

  9. 2021能源PWN wp

    babyshellcode 这题考无write泄露,write被沙盒禁用时,可以考虑延时盲注的方式获得flag,此exp可作为此类型题目模版,只需要修改部分参数即可,详细见注释 from pwn im ...

  10. javascript的变量及数据类型

    1.变量的概念 变量是储存数据的内存空间 2.变量的命名规则 js变量的命名规则如下:以字母或者下划线开头可以包含字母.数字.下划线,不能包含特殊字符 3.变量的创建及初始化方法 方法一:先创建后使用 ...