机器学习是python语言的长处，而Java在web开发方面更具有优势，如何通过java来调用python中训练好的模型进行在线的预测呢？在java语言中去调用python构建好的模型主要有三种方法：
1.在Java语言中，通过python的解释器执行python代码，简单来说就是在java中通过python解释器对象，传入写好的python代码，进行执行，这样的方式运行的效率非常低，而且存在很多python包无法使用的情况，只适合做简单的python代码的运行，并不推荐使用。
2.通过PMML工具，将在sklearn中训练好的模型生成一个pmml格式的文件，在该文件中，主要包含了模型的一些训练好的参数，以及输入数据的格式和名称等信息。生成了pmml文件之后，在java中导入pmml相关的包，我们就能通过pmml相关的类读取生成的pmml文件，使用其中的方法传入指定的参数就能实现模型的预测，速度快，效果不错。
3.第二种方法因为模型已经训练好了，无法改变，不能实现在线调参的功能，我们可以通过socket服务来进行python和java之间的网络通信，python提供socket服务，java端将模型的参数通过网络传给python端，python端接受到参数之后，进行模型的训练，训练完成之后，将得到的结果返回给Java端。
下面给是使用pmml方式调用的步骤：
1.在python端生成pmml模型文件，下面以logistic回归为例
x_train, x_test, y_train, y_test = train_test_split(x, y, train_size=0.85, random_state=1)
model = PMMLPipeline([('LogisticModer', LogisticRegression())])
model.fit(x_train, y_train)
y_hat = model.predict(x_test)
loss = y_hat == y_test
accuracy = np.mean(loss)
print(accuracy)
sklearn2pmml(model, '.\LogisticRegression.pmml', with_repr=True)需要加载的包
from sklearn2pmml import sklearn2pmml
from sklearn2pmml.pipeline import PMMLPipeline我们使用PMMLPipeline()的管道函数，还可以在管道中加入其它的一些预处理的操作，比如归一化。sklearn2pmml()函数能够将训练好的模型生成pmml文件，下面来看生成的pmml文件是怎样的吧：
下面，我们建一个JavaWeb工程：
1 <dependency>
2 <groupId>org.jpmml</groupId>
3 <artifactId>pmml-evaluator</artifactId>
4 <version>1.4.1</version>
5 </dependency>
6
7
8 <dependency>
9 <groupId>org.jpmml</groupId>
10 <artifactId>pmml-evaluator-extension</artifactId>
11 <version>1.4.1</version>
12 </dependency>
13 <dependency>在maven中引入相关的依赖，我们将要用到的方法进行封装，制作成一个工具类：
public static PMML getPMMLModel(InputStream inputStream) {
PMML pmml = new PMML();
try {
pmml = org.jpmml.model.PMMLUtil.unmarshal(inputStream);
} catch (SAXException e1) {
e1.printStackTrace();
} catch (JAXBException e2) {
e2.printStackTrace();
} finally {
try {
inputStream.close();
} catch (IOException e) {
e.printStackTrace();
}
return pmml;
}
}
public static Evaluator loadPmmlAndgetEvaluator(MachineLearnType machineLearnType) {
String modefile = getJpmmlModelPath(machineLearnType); //获取模型的pmml文件路径
InputStream inputStream = readPmmlFile(modefile); //根据文件路径返回输入流
PMML pmml = getPMMLModel(inputStream); //根据输入流返回PMML
ModelEvaluatorFactory modelEvaluatorFactory = ModelEvaluatorFactory.newInstance(); //获取 ModelEvaluatorFactory
Evaluator evaluator = modelEvaluatorFactory.newModelEvaluator(pmml); // 根据 PMML 模型返回 Evaluator 对象
pmml = null;
return evaluator;
}
public static Map<String, Object> modelPrediction(Evaluator evaluator, Map<String, Object> paramData) {
if (evaluator == null || paramData == null) {
System.out.println("--------------传入对象 evaluator 或 dataMap 为空, 无法进行预测----------------");
return null;
}
List<InputField> inputFields = evaluator.getInputFields(); //获取模型的输入域
Map<FieldName, FieldValue> arguments = new LinkedHashMap<>();
for (InputField inputField : inputFields) { //将参数通过模型对应的名称进行添加
FieldName inputFieldName = inputField.getName(); //获取模型中的参数名
Object paramValue = paramData.get(inputFieldName.getValue()); //获取模型参数名对应的参数值
FieldValue fieldValue = inputField.prepare(paramValue); //将参数值填入模型中的参数中
arguments.put(inputFieldName, fieldValue); //存放在map列表中
}
Map<FieldName, ?> results = evaluator.evaluate(arguments);
List<TargetField> targetFields = evaluator.getTargetFields();
Map<String, Object> resultMap = new HashMap<>();
for(TargetField targetField : targetFields) {
FieldName targetFieldName = targetField.getName();
Object targetFieldValue = results.get(targetFieldName);
if (targetFieldValue instanceof Computable) {
Computable computable = (Computable) targetFieldValue;
resultMap.put(targetFieldName.getValue(), computable.getResult());
}else {
resultMap.put(targetFieldName.getValue(), targetFieldValue);
}
}
return resultMap;
}上述的方法中，我们将生成的pmml文件读取，得到InputStream对象，调用上述的方法就行了。上面的代码中，MachineLearnType的作用就是获取pmml的路径，我们将要输入的参数放入Map中，进行预测，最后返回预测结果的Map，下面来看Service层的代码，其中MachineLearnType.LOGISTIC_REGRESSION就是根据名称获取pmml文件：
Evaluator evaluator = JPmmlModelUtil.loadPmmlAndgetEvaluator(MachineLearnType.LOGISTIC_REGRESSION);
Map<String , Object> results = JPmmlModelUtil.modelPrediction(evaluator, paramMap);
int result =(int)((double)results.get("y"));下面是Controller层的代码：
/**
* 使用pmml方式对输入的参数进行线性回归预测
*/
@PostMapping("/logispmml")
public ServerResponse<String> IrisLogosPmmlPredict(@RequestParam @Valid double x1,
@RequestParam @Valid double x2,
@RequestParam @Valid double x3,
@RequestParam @Valid double x4) {
logger.info("x1: " + x1 + " x2: " + x2 + " x3:" + x3 + "x4:" + x4);
Map<String, Object> paramMap = new HashMap<>();
paramMap.put("x1", x1);
paramMap.put("x2", x2);
paramMap.put("x3", x3);
paramMap.put("x4", x4);
String result = logisticRegressionService.pridictlogisticpmml(paramMap);
return createBySuccess(result);
}我们生成的模型是logistic回归进行鸢尾花数据集的分类，输入的是样本的四个特征，输出是类别0,1,2
int result =(int)((double)results.get("y"));
String irisName = new String();
if(result == 0){
irisName = "Iris-setosa";
}
if(result == 1){
irisName = "Iris-versicolor";
}
if(result == 2){
irisName = "Iris-virginica";
}
return irisName;
}我们在service中将预测结果转换为对应的类别，下面使用测试工具进行测试：
我们就可以在python中将模型构建好，来进行调用啦！
来源：oschina
链接：https://my.oschina.net/u/4361028/blog/4366018