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

11.4.3 LVS-TUN
LVS-TUN 用IP隧道技术实现虚拟服务器｡这种方式是在集群的节点不在同一个网段时可用的转发机制,是将IP包封装在其他网络流量中的方法｡为了安全的考虑,应该使用隧道技术中的VPN,也可使用租用专线｡ ...
如何迁移 Spring Boot 到函数计算
作者 | 田小单首先介绍下在本文出现的几个比较重要的概念: 函数计算(Function Compute): 函数计算是一个事件驱动的服务,通过函数计算,用户无需管理服务器等运行情况,只需编写代码并上 ...
redis学习笔记-02 list列表类型命令
一.lpush key value1 value2 value3 value4(命令将一个或多个值插入到列表头部. 如果 key 不存在,一个空列表会被创建并执行 LPUSH 操作) lpush k1 ...
MySQL灵魂拷问：36题带你面试通关！
大家好,我是大彬~ 今天给大家分享MySQL常考的面试题,看看你们能答对多少. 本期MySQL面试题的目录如下: 事务的四大特性? 事务隔离级别有哪些? 索引什么是索引? 索引的优缺点? 索引的作用 ...
后台管理系统使用vue-element-admin搭建
近期在搞一个会议健康申报系统时,要搞一个后台,用到了vue-element-admin模板,使用的是PanJianChen(源码地址:https://github.com/PanJiaChen/vue ...
Python 实现断网自动重连
为了实现断网了,自动连接网络原理:每隔一段时间ping一下百度,判断网络状态,没有联网的话,就模仿浏览器发一条Post给服务器import urllibimport hashlibimport su ...
vue基础-动态样式&表单绑定&vue响应式原理
动态样式作用:使用声明式变量来控制class和style的值语法: :class/:style 注意:尽可能不要把动态class和静态class一起使用,原因动态class起作用的时间会比较晚,需 ...
Bug概述、状态、类型、级别、优先级提交和Bug生命周期管理
缺陷概述: 1)缺陷(Defect):是指存在于软件之中偏差,可被激活,以静态形式存在于软件内部,相当于Bug. 2)故障(Fault):当缺陷被激活后,软件运⾏中出现的状态,可引起意外情况,若不加处 ...
【二食堂】Beta - 设计和计划
Beta设计和计划需求再分析根据助教.老师.用户以及各个团队PM的反馈意见,我们的项目目前有以下问题: 功能不完整实用价值不高两方面的缺陷,所以在Beta阶段,我们工作的中心还是完成项目规划中 ...
Prometheus重新标记
Prometheus重新标记一.背景二.简化的指标抓取的生命周期 1.配置参数详解 1.`action:`存在的值 1.替换标签值 2.删除指标 3.创建或删除标签 2.删除标签注意事项 3.几个 ...

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