java使用python模型_PMML，JAVA调用Python算法模型

公司大部分应用的使用的是JAVA开发，要想使用Python模型非常困难，网上搜索了下，可以先将生成的模型转换为PMML文件后即可在JAVA中直接调用。

PMML简介

模型预测标记语言(Predictive Model Markup Language)是由Dr. Robert Lee Grossman 提出的一种基于XML的存储模型的格式标准。这里的模型是指那些由数据挖掘和机器学习算法生成的预测模型。PMML为不同的数据分析软件或者编程语言，提供了一种轻松共享预测分析模型的方式。它支持常见的模型，比如逻辑回归和前馈神经网络等。

PMML是一套与平台和环境无关的模型表示语言，是目前表示机器学习模型的实际标准。从2001年发布的PMML1.1，到2019年最新4.4，PMML标准已经由最初的6个模型扩展到了17个模型，并且提供了挖掘模型(Mining Model)来组合多模型。作为一个开放的成熟标准，PMML由数据挖掘组织DMG(Data Mining Group)开发和维护，经过十几年的发展，得到了广泛的应用，有超过30家厂商和开源项目(包括SAS，IBM SPSS，KNIME，RapidMiner等主流厂商)在它们的数据挖掘分析产品中支持并应用PMML。

PMML的作用

一个机器学习的上线过程，主要包括：分析、特征工程、模型训练、调优、上线。其中，PMML的便捷性，主要体现在模型上线的过程中。

模型上线是将训练好的模型有效地应用于生产环境的过程。一般而言，生产环境和数据分析人员所使用的环境差距巨大。

例如，线上DMP是基于Hadoop的，计算框架用的Spark + MR。线下人员建模主要使用的是R、Python 中的sklearn库 以及部分使用keras。如果没有PMML，因为不同的系统采用不同的方式呈现其计算，模型上线时就必须经历一个漫长的、容易出现错误和误呈现的翻译过程。此外，还需要对模型结构了解非常深入的工程人员。比如，将R中的LR迁移至Java中，就需要工程人员根据训练好模型的参数，裸写一个JAVA类。

以最简单的LR为例，就是一个数据表示权重向量，权重向量和参数向量相乘之后求一次激活函数。但复杂一点的模型，就要求对模型结构了解非常深入的工程人员，严格按照模型的计算逻辑，来编写该类。

有了PMML，就可以从应用程序A到B再到C轻松共享模型，并且在训练完成之后，迅速将模型上线(只需替换模型文件即可)。现在的实践就是，线下分析人员，使用R等训练好一版的模型之后，导出为PMML，在线上只需替换该PMML文件即可。

PMML 包含数据预处理和数据后处理(即模型预测结果的处理)和预测模型本身，见下图：

PMML文件的结构遵从了用于构建预测模型的常用步骤。

文头件：包含了PMML文档的基本信息，例如模型的版权信息，模型的描述，以及生成该文件所用软件的信息(比如软件的名字和版本)。头文件中也会包含该PMML文件的生成时间。

数据字典：包含了模型可能用到的所有字段名。并定义了字段的类型，可以是连续型(continuous)、类别型(categorical)、定序型(ordinal)。和字段值的类型，如String、Double。

数据挖掘模式：数据挖掘模式，可以看做是模型的一个看门人。所有进入模型的数据，必须经过数据挖掘模式。每个模型都包含且只包含一个数据挖掘模式，用于列出该模型使用的数据。数据挖掘模式包含针对特定模型不同的信息，相对的，数据字典中定义则是稳定的，不会随模型变化而变化。数据挖掘模式的主要目的是列出使用模型需要的数据。数据挖掘模式也定义了每个字段的使用用途(激活、追加、目标)以及针对空值、非法数据的策略。

数据转化：数据转化操作可以用于对进入模型之前的数据进行预处理。类比python sklearn中的DataFrameMapper，以及Spark中特征预处理相关算子。PMML定义了如下简单的数据转化操作：标准化、离散化、值映射、自定义函数、聚合

模型：包含了模型的定义和结构信息。

输出：定义了模型输出。对于一个分类任务来说，输出可以包括预测类及与所有可能类相关的概率。

目标：定义了应用于模型输出的后处理步骤。对于一个回归任务来说，此步骤支持将输出转变为人们很容易就可以理解的分数(预测结果)。

模型解释：定义了将测试数据传递至模型时获得的性能度量标准(与训练数据相对)。这些度量标准包括字段相关性、混淆矩阵、增益图及接收者操作特征(ROC)曲线图。

模型验证：定义了一个包含输入数据记录和预期模型输出的示例集。这是非常重要的一个步骤，因为在应用程序之间移动模型时，该模型需要通过匹配测试。这样就可以确保，在呈现相同的输入时，新系统可以生成与旧系统同样的输出。如果实际情况是这样的话，一个模型将被认为经过了验证，且随时可用于实践。

PMML的优点

平台无关性。PMML可以让模型部署环境脱离开发环境，实现跨平台部署，是PMML区别于其他模型部署方法最大的优点。比如使用Python建立的模型，导出PMML后可以部署在Java生产环境中。

互操作性。这就是标准协议的最大优势，实现了兼容PMML的预测程序可以读取其他应用导出的标准PMML模型。

广泛支持性。已取得30余家厂商和开源项目的支持，通过已有的多个开源库，很多重量级流行的开源数据挖掘模型都可以转换成PMML。

可读性。PMML模型是一个基于XML的文本文件，使用任意的文本编辑器就可以打开并查看文件内容，比二进制序列化文件更安全可靠。

PMML的缺点

支持不了所有的数据预处理和后处理操作。虽然PMML已经支持了几乎所有的标准数据处理方式，但是对用户一些自定义操作，还缺乏有效的支持，很难放到PMML中。

模型类型支持有限。特别是缺乏对深度学习模型的支持，PMML下一版0会添加对深度模型的支持，目前Nyoka可以支持Keras等深度模型，但生成的是扩展的PMML模型。

PMML是一个松散的规范标准，有的厂商生成的PMML有可能不太符合标准定义的Schema，并且PMML规范允许厂商添加自己的扩展，这些都对使用这些模型造成了一定障碍。

PMML的使用

以LightGBM为例：

将生成的模型导出为txt格式

import pandas as pd

from lightgbm import LGBMClassifier

iris_df = pd.read_csv("xml/iris.csv")

d_x = iris_df.iloc[:, 0:4].values

d_y = iris_df.iloc[:, 4].values

model = LGBMClassifier(

boosting_type='gbdt', objective="multiclass", nthread=8, seed=42)

model.n_classes =3

model.fit(d_x,d_y,feature_name=iris_df.columns.tolist()[0:-1])

model.booster_.save_model("xml/lightgbm.txt")

使用工具将txt模型转化为pmml格式

java -jar converter-executable-1.2-SNAPSHOT.jar --lgbm-input lightgbm.txt --pmml-output lightgbm.pmml

在JAVA代码中直接调用

package com.pmmldemo.test;

import java.io.File;

import java.io.FileInputStream;

import java.io.InputStream;

import java.util.HashMap;

import java.util.LinkedHashMap;

import java.util.List;

import java.util.Map;

import org.dmg.pmml.FieldName;

import org.dmg.pmml.PMML;

import org.jpmml.evaluator.Evaluator;

import org.jpmml.evaluator.FieldValue;

import org.jpmml.evaluator.InputField;

import org.jpmml.evaluator.ModelEvaluator;

import org.jpmml.evaluator.ModelEvaluatorFactory;

import org.jpmml.evaluator.TargetField;

public class PMMLPrediction {

public static void main(String[] args) throws Exception {

String pathxml="lightgbm.pmml";

Map map=new HashMap();

//拼装模型参数

map.put("sepal_length", 5.1);

map.put("sepal_width", 3.5);

map.put("petal_length", 1.4);

map.put("petal_width", 0.2);

predictLrHeart(map, pathxml);

}

public static void predictLrHeart(Map irismap,String pathxml)throws Exception {

PMML pmml;

// 模型导入

File file = new File(pathxml);

InputStream inputStream = new FileInputStream(file);

try (InputStream is = inputStream) {

pmml = org.jpmml.model.PMMLUtil.unmarshal(is);

ModelEvaluatorFactory modelEvaluatorFactory = ModelEvaluatorFactory

.newInstance();

ModelEvaluator> modelEvaluator = modelEvaluatorFactory

.newModelEvaluator(pmml);

Evaluator evaluator = (Evaluator) modelEvaluator;

List inputFields = evaluator.getInputFields();

// 过模型的原始特征，从画像中获取数据，作为模型输入

Map arguments = new LinkedHashMap<>();

for (InputField inputField : inputFields) {

FieldName inputFieldName = inputField.getName();

Object rawValue = irismap

.get(inputFieldName.getValue());

FieldValue inputFieldValue = inputField.prepare(rawValue);

arguments.put(inputFieldName, inputFieldValue);

}

Map results = evaluator.evaluate(arguments);

List targetFields = evaluator.getTargetFields();

//对于分类问题等有多个输出。

for (TargetField targetField : targetFields) {

FieldName targetFieldName = targetField.getName();

Object targetFieldValue = results.get(targetFieldName);

System.err.println("target: " + targetFieldName.getValue()

+ " value: " + targetFieldValue);

}

}

}

}

PMML工具集

模型转换库，生成PMML文件

Python模型：

Nyoka，支持Scikit-Learn，LightGBM，XGBoost，Statsmodels和Keras。

R模型：

Spark：

模型评估库，读取PMML

Java：

JPMML-Evaluator，纯Java的PMML预测库，开源协议是AGPL V3。

PMML4S，使用Scala开发，方便在Scala和Java中使用，接口简单好用，开源协议是常用的宽松协议Apache 2。

Python:

PyPMML，Python库调用PMML，PyPMML是PMML4S包装的Python接口。

Spark：

PySpark:

REST API:

AI-Serving，同时为PMML模型提供REST API和gRPC API，开源协议Apache 2。

Openscoring，提供REST API，开源协议AGPL V3。