在工业界，我们经常会使用 Python 或 R 来训练离线模型， 使用 Java 来做在线 Web 开发应用——这就涉及到了使用 Java 跨语言来调用 Python 或 R 训练的模型。

PMML

PMML 是 Predictive Model Markup Language 的缩写，翻译为中文就是“预测模型标记语言”。它是一种基于XML的标准语言，用于表达数据挖掘模型，可以用来在不同的应用程序中交换模型。

也就是说它定义了一个标准，不同语言都可以根据这个标准来实现。关于 PMML 内部的实现原理细节，我们这里不做深究，感兴趣的可以参见：http://dmg.org/pmml/v4-3/GeneralStructure.html。

PMML 能做什么

介绍完了 PMML 的概念后，大家可能还是很懵，不清楚它有什么用。先来相对正式地说下它的用处：对于 PMML，使用一个应用程序很容易在一个系统上开发模型，并且只需通过发送XML配置文件就可以在另一个系统上使用另一个应用程序部署模型。也就是说我们可以通过 Python 或 R 训练模型，将模型转为 PMML 文件，再使用 Java 根据 PMML 文件来构建 Java 程序。

来看一张关于 PMML 用途的图片：

这张图的信息来一一说明下：

• 整个流程分为两部分：离线和在线。

• 离线部分流程是将样本进行特征工程，然后进行训练、生成模型。一般离线部分常用 Python 中的 sklearn、R 或者 Spark ML 来训练模型。

• 在线部分是根据请求得到样本数据，对这些数据采用与离线特征工程一样的方式来处理，然后使用模型进行评估。一般在线部分常用 Java、C++ 来开发。

• 离线部分与在线部分是通过 PMML 连接的，也就是说离线训练好了模型之后，将模型导出为 PMML 文件，在线部分加载该 PMML 文件生成对应的评估模型。

我们可以看到，PMML 是连接离线与在线环节的关键，一般导出 PMML 文件和加载 PMML 文件都需要各个语言来做单独的实现。不过幸运的是，已经有很多大神实现了这些，可以参见：https://github.com/jpmml 。

实战环节

训练并导出 PMML

我们这里仍然是通过 sklearn 训练一个随机森林模型，我们需要借助 sklearn2pmml 将 sklearn 训练的模型导出为 PMML 文件。如果没有 sklearn2pmml，请输入以下命令来安装：

pip install --user git+https://github.com/jpmml/sklearn2pmml.git

我们来看下如何使用 sklearn2pmml 。

from sklearn.datasets import load_irisfrom sklearn.ensemble import RandomForestClassifierfrom sklearn2pmml import PMMLPipeline, sklearn2pmml

iris = load_iris()

# 创建带有特征名称的 DataFrameiris_df = pd.DataFrame(iris.data, columns=iris.feature_names)

# 创建模型管道iris_pipeline = PMMLPipeline([ ("classifier", RandomForestClassifier())])

# 训练模型iris_pipeline.fit(iris_df, iris.target)

# 导出模型到 RandomForestClassifier_Iris.pmml 文件sklearn2pmml(iris_pipeline, "RandomForestClassifier_Iris.pmml")

导出成功后，我们将在当前路径看到一个 PMML 文件：RandomForestClassifier_Iris.pmml。

导入 PMML 并进行评估

生成了 PMML 文件后，接下来我们要做的就是使用 Java 导入（加载）PMML文件。这里借助了 Java 的第三方依赖：pmml-evaluator。我们需要在 pom.xml 文件中加入以下依赖：

<dependency>    <groupId>org.jpmml</groupId>    <artifactId>pmml-evaluator</artifactId>    <version>1.4.1</version></dependency><dependency>    <groupId>org.jpmml</groupId>    <artifactId>pmml-evaluator-extension</artifactId>    <version>1.4.1</version></dependency>

引入 PMML 文件并进行评估的代码如下：

import org.dmg.pmml.FieldName;import org.dmg.pmml.PMML;import org.jpmml.evaluator.*;import org.jpmml.model.PMMLUtil;import org.xml.sax.SAXException;

import javax.xml.bind.JAXBException;import java.io.FileInputStream;import java.io.FileNotFoundException;import java.io.IOException;import java.io.InputStream;import java.util.ArrayList;import java.util.HashMap;import java.util.List;import java.util.Map;

public class ClassificationModel {    private Evaluator modelEvaluator;

    /**     * 通过传入 PMML 文件路径来生成机器学习模型     *     * @param pmmlFileName pmml 文件路径     */    public ClassificationModel(String pmmlFileName) {        PMML pmml = null;

        try {            if (pmmlFileName != null) {                InputStream is = new FileInputStream(pmmlFileName);                pmml = PMMLUtil.unmarshal(is);                try {                    is.close();                } catch (IOException e) {                    System.out.println("InputStream close error!");                }

                ModelEvaluatorFactory modelEvaluatorFactory = ModelEvaluatorFactory.newInstance();

                this.modelEvaluator = (Evaluator) modelEvaluatorFactory.newModelEvaluator(pmml);                modelEvaluator.verify();                System.out.println("加载模型成功！");            }        } catch (SAXException e) {            e.printStackTrace();        } catch (JAXBException e) {            e.printStackTrace();        } catch (FileNotFoundException e) {            e.printStackTrace();        }

    }

    // 获取模型需要的特征名称    public List<String> getFeatureNames() {        List<String> featureNames = new ArrayList<String>();

        List<InputField> inputFields = modelEvaluator.getInputFields();

        for (InputField inputField : inputFields) {            featureNames.add(inputField.getName().toString());        }        return featureNames;    }

    // 获取目标字段名称    public String getTargetName() {        return modelEvaluator.getTargetFields().get(0).getName().toString();    }

    // 使用模型生成概率分布    private ProbabilityDistribution getProbabilityDistribution(Map<FieldName, ?> arguments) {        Map<FieldName, ?> evaluateResult = modelEvaluator.evaluate(arguments);

        FieldName fieldName = new FieldName(getTargetName());

        return (ProbabilityDistribution) evaluateResult.get(fieldName);

    }

    // 预测不同分类的概率    public ValueMap<String, Number> predictProba(Map<FieldName, Number> arguments) {        ProbabilityDistribution probabilityDistribution = getProbabilityDistribution(arguments);        return probabilityDistribution.getValues();    }

    // 预测结果分类    public Object predict(Map<FieldName, ?> arguments) {        ProbabilityDistribution probabilityDistribution = getProbabilityDistribution(arguments);

        return probabilityDistribution.getPrediction();    }

    public static void main(String[] args) {        ClassificationModel clf = new ClassificationModel("RandomForestClassifier_Iris.pmml");

        List<String> featureNames = clf.getFeatureNames();        System.out.println("feature: " + featureNames);

         // 构建待预测数据        Map<FieldName, Number> waitPreSample = new HashMap<>();        waitPreSample.put(new FieldName("sepal length (cm)"), 10);        waitPreSample.put(new FieldName("sepal width (cm)"), 1);        waitPreSample.put(new FieldName("petal length (cm)"), 3);        waitPreSample.put(new FieldName("petal width (cm)"), 2);

        System.out.println("waitPreSample predict result: " + clf.predict(waitPreSample).toString());        System.out.println("waitPreSample predictProba result: " + clf.predictProba(waitPreSample).toString());

    }

}

输出结果：

加载模型成功！feature: [sepal length (cm), petal width (cm), sepal width (cm), petal length (cm)]waitPreSample predict result: 1waitPreSample predictProba result: {0=0.0, 1=0.5, 2=0.5}

可以看到，模型需要的特征为：[sepal length (cm), petal width (cm), sepal width (cm), petal length (cm)]，预测该样本最终属于目标编号为 1 的类型，预测该样本属于不同目标编号的概率分布，{0=0.0, 1=0.5, 2=0.5}。

小结

为了实现 Java 跨语言调用 Python/R 训练好的模型，我们借助 PMML 的规范，将模型固化为 PMML 文件，再使用该文件生成模型来评估。

作者：1or0，专注于机器学习研究。

声明：本文为公众号 AI派 投稿，版权归对方所有。