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

10.12 LNMP
yum install nginx php php-fpm mariadb-server php-mysql php.conf server { listen 8000; # pass the PHP ...
理解ASP.NET Core - 选项(Options)
注:本文隶属于<理解ASP.NET Core>系列文章,请查看置顶博客或点击此处查看全文目录 Options绑定上期我们已经聊过了配置(IConfiguration),今天我们来聊一聊O ...
手机淘宝轻店业务 Serverless 研发模式升级实践
一.前言随着 Serverless 在业界各云平台落地,阿里内部 Serverless 研发平台.各种研发模式也在业务中逐步落地,如火如荼.在此契机下,淘系团队启动了轻店 Serverless 研发 ...
题解 Crash 的文明世界
题目传送门题目大意给出一个\(n\)个点的树,和常数\(k\),对于\(\forall i\in[1,n]\),求出: \[\sum_{j=1}^{n} \text{dist}(i,j)^k \] ...
SpringBoot入门01-环境部署
随笔目录: 环境准备创建过程编码试行环境准备如果编辑器是还没有配置过相关环境的,在用SpringBoot开发项目的时候,需要先环境,spring boot官网建议的开发工具是: STS或Ide ...
LuckySheet一款在线Excel使用心得
1.LuckySheet简介 Luckysheet ,是一款国产的纯JS实现的类似excel的在线表格,功能强大.配置简单.完全开源. 开源地址 https://gitee.com/mengshuke ...
Solon 框架如何方便获取每个请求的响应时间?
经常会有同学问 Solon 怎样才能获取每个请求的响应时间?要求是不需要给每个函数加注解.故此,整理了一下. 不给每个函数加注解,主要有两种方式可以获取请求响应时间: 方式1:基于全局过滤器 Solo ...
vue3.x移动端适配px2rem
1.什么是px2rem px2rem是一个插件能将px自动转换为rem,以适配各种不同的屏幕尺寸.前端开发可以直接使用设计稿量出的尺寸或者蓝湖给出的px进行布局,这样极大的提高了开发效率. 2.前提条 ...
Go 语言实现 gRPC 的发布订阅模式，REST 接口和超时控制
原文链接: 测试小姐姐问我 gRPC 怎么用,我直接把这篇文章甩给了她上篇文章 gRPC,爆赞直接爆了,内容主要包括:简单的 gRPC 服务,流处理模式,验证器,Token 认证和证书认证. 在多 ...
BUAA-OO-最后单元总结
BUAA-OO-最后单元总结经过一学期的魔鬼"折磨"后,OO课程终于要结束了!总体来说我对于作业的总体完成情况还是比较满意的,希望最后可以取得一个理想成绩. 一.第四单元架构设计 ...

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