使用pmml跨平台部署机器学习模型Demo—

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

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 ...
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 ...
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 ...
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 ...
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 ...
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. ...
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 ...
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, ...
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

自然语言处理标注工具——Brat（安装、测试、使用）
一.Brat标注工具安装 1.安装条件: (1)运行于Linux系统(window系统下虚拟机内linux系统安装也可以) (2)目前brat最新版本(v1.3p1)仅支持python2版本运行使用( ...
Java实现红黑树(平衡二叉树)
前言在实现红黑树之前,我们先来了解一下符号表. 符号表的描述借鉴了Algorithms第四版,详情在:https://algs4.cs.princeton.edu/home/ 符号表有时候被称为字典 ...
vue 动态菜单以及动态路由加载、刷新采的坑
需求: 从接口动态获取子菜单数据动态加载要求只有展开才加载子菜单数据支持刷新,页面显示正常思路: 一开始比较乱,思路很多.想了很多首先路由和菜单共用一个全局route, 数据的传递也是通过s ...
洛谷2387 NOI2014魔法森林（LCT维护最小生成树）
本题是运用LCT来维护一个最小生成树. 是一个经典的套路题目中求的是一个\(max(a_i)+max(b_i)\)尽可能小的路径. 那么这种的一个套路就是,先按照一维来排序,然后用LCT维护另一维 ...
T-SQL——关于XML类型
目录 0. 将结果集转化为XML格式 1. 列值拼接为字符串 2. 字符串转换为列值 3. 一些说明参考志铭-2021年10月23日 10:43:21 0. 将结果集转化为XML格式测试数据 I ...
Coursera Deep Learning笔记卷积神经网络基础
参考1 参考2 1. 计算机视觉使用传统神经网络处理机器视觉的一个主要问题是输入层维度很大.例如一张64x64x3的图片,神经网络输入层的维度为12288. 如果图片尺寸较大,例如一张1000x10 ...
[Beta]the Agiles Scrum Meeting 4
会议时间:2020.5.15 21:00 1.每个人的工作今天已完成的工作成员已完成的工作 yjy 增加教学计划面板,修复bug tq 实现查看.删除测试点功能 wjx 实现批量创建结对项目功能 ...
基于websocket实现的一个简单的聊天室
本文是基于websocket写的一个简单的聊天室的例子,可以实现简单的群聊和私聊.是基于websocket的注解方式编写的.(有一个小的缺陷,如果用户名是中文,会乱码,不知如何处理,如有人知道,请告知 ...
elasticsearch的索引重建
我们知道es在字段的mapping建立后就不可再次修改mapping的值.在我们实际的情况下有些时候就是需要修改mapping的值,解决方案就是重新构建索引数据. 方式一 : 使用索引别名,创建另外一 ...
【STM32学习笔记】USART 硬件流控
流控的概念源于 RS232 这个标准,在 RS232 标准里面包含了串口.流控的定义.大家一定了解,RS232 中的"RS"是Recommend Standard 的缩写,即&qu ...

使用pmml跨平台部署机器学习模型Demo——房价预测

一、 训练、保存模型