Jak mogę zadzwonić do scikit-poznaj klasyfikatory z Javy?
Mam klasyfikator, który trenowałem używając Pythona scikit-learn. Jak Mogę używać klasyfikatora z programu Java? Czy Mogę używać Jython? Czy jest jakiś sposób, aby zapisać klasyfikator w Pythonie i załadować go w Javie? Jest jakiś inny sposób, by go użyć?
5 answers
Nie możesz używać jythona jako scikit-learn w dużym stopniu opiera się na numpy i scipy, które mają wiele skompilowanych rozszerzeń C i Fortran, dlatego nie mogą działać w jython.
Najprostszym sposobem użycia scikit-learn w środowisku java byłoby:
-
Wyświetlanie klasyfikatora jako usługi HTTP / Json, na przykład za pomocą mikroframeworku, takiego jak flask lub bottle lub cornice i wywołaj go z Javy za pomocą biblioteki klienta HTTP
Napisz a aplikacja wrapper wiersza poleceń w Pythonie, która odczytuje dane na stdin i prognozy wyjściowe na stdout przy użyciu jakiegoś formatu, takiego jak CSV lub JSON (lub jakiejś reprezentacji binarnej niższego poziomu) i wywołuje program Pythona z Javy na przykład za pomocą Apache Commons Exec.
Spraw, aby program Pythona wypisywał surowe parametry numeryczne poznane w czasie dopasowania (zazwyczaj jako tablica wartości zmiennoprzecinkowych) i ponownie zaimplementował funkcję predict w Javie (jest to zwykle łatwe dla predykcyjne modele liniowe, gdzie PREDYKCJA jest często tylko progowym produktem kropkowym).
Ostatnie podejście będzie dużo więcej pracy, jeśli trzeba ponownie zaimplementować ekstrakcję funkcji w Javie, jak również.
Wreszcie możesz użyć biblioteki Javy, takiej jak Weka lub Mahout, która implementuje algorytmy, których potrzebujesz, zamiast próbować używać scikit-ucz się z Javy.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2012-10-05 09:05:29
Istnieje jpmml projekt do tego celu.
Najpierw możesz serializować model scikit-learn do PMML (który jest wewnętrznie XML) za pomocą biblioteki sklearn2pmml bezpośrednio z Pythona lub najpierw zrzucić go w Pythonie i przekonwertować za pomocą jpmml-sklearn w Javie lub z wiersza poleceń dostarczonego przez tę bibliotekę. Następnie możesz załadować plik pmml, deserializować i wykonać załadowany model za pomocą jpmml-evaluator w kodzie Java.
Ten sposób działa z nie wszystkimi scikit-ucz się modeli, ale z wielu z nich.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2016-08-10 16:39:01
Możesz użyć Portera, przetestowałem sklearn-porter ( https://github.com/nok/sklearn-porter ) i działa dobrze w Javie.
Mój kod jest następujący:
import pandas as pd
from sklearn import tree
from sklearn_porter import Porter
train_dataset = pd.read_csv('./result2.csv').as_matrix()
X_train = train_dataset[:90, :8]
Y_train = train_dataset[:90, 8:]
X_test = train_dataset[90:, :8]
Y_test = train_dataset[90:, 8:]
print X_train.shape
print Y_train.shape
clf = tree.DecisionTreeClassifier()
clf = clf.fit(X_train, Y_train)
porter = Porter(clf, language='java')
output = porter.export(embed_data=True)
print(output)
W moim przypadku używam DecisionTreeClassifier, A Wyjście
Print (output)
To następujący kod jako tekst w konsoli:
class DecisionTreeClassifier {
private static int findMax(int[] nums) {
int index = 0;
for (int i = 0; i < nums.length; i++) {
index = nums[i] > nums[index] ? i : index;
}
return index;
}
public static int predict(double[] features) {
int[] classes = new int[2];
if (features[5] <= 51.5) {
if (features[6] <= 21.0) {
// HUGE amount of ifs..........
}
}
return findMax(classes);
}
public static void main(String[] args) {
if (args.length == 8) {
// Features:
double[] features = new double[args.length];
for (int i = 0, l = args.length; i < l; i++) {
features[i] = Double.parseDouble(args[i]);
}
// Prediction:
int prediction = DecisionTreeClassifier.predict(features);
System.out.println(prediction);
}
}
}
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2018-03-04 19:16:07
Oto kod do rozwiązania JPMML:
--PYTHON PART--
# helper function to determine the string columns which have to be one-hot-encoded in order to apply an estimator.
def determine_categorical_columns(df):
categorical_columns = []
x = 0
for col in df.dtypes:
if col == 'object':
val = df[df.columns[x]].iloc[0]
if not isinstance(val,Decimal):
categorical_columns.append(df.columns[x])
x += 1
return categorical_columns
categorical_columns = determine_categorical_columns(df)
other_columns = list(set(df.columns).difference(categorical_columns))
#construction of transformators for our example
labelBinarizers = [(d, LabelBinarizer()) for d in categorical_columns]
nones = [(d, None) for d in other_columns]
transformators = labelBinarizers+nones
mapper = DataFrameMapper(transformators,df_out=True)
gbc = GradientBoostingClassifier()
#construction of the pipeline
lm = PMMLPipeline([
("mapper", mapper),
("estimator", gbc)
])
--JAVA PART --
//Initialisation.
String pmmlFile = "ScikitLearnNew.pmml";
PMML pmml = org.jpmml.model.PMMLUtil.unmarshal(new FileInputStream(pmmlFile));
ModelEvaluatorFactory modelEvaluatorFactory = ModelEvaluatorFactory.newInstance();
MiningModelEvaluator evaluator = (MiningModelEvaluator) modelEvaluatorFactory.newModelEvaluator(pmml);
//Determine which features are required as input
HashMap<String, Field>() inputFieldMap = new HashMap<String, Field>();
for (int i = 0; i < evaluator.getInputFields().size();i++) {
InputField curInputField = evaluator.getInputFields().get(i);
String fieldName = curInputField.getName().getValue();
inputFieldMap.put(fieldName.toLowerCase(),curInputField.getField());
}
//prediction
HashMap<String,String> argsMap = new HashMap<String,String>();
//... fill argsMap with input
Map<FieldName, ?> res;
// here we keep only features that are required by the model
Map<FieldName,String> args = new HashMap<FieldName, String>();
Iterator<String> iter = argsMap.keySet().iterator();
while (iter.hasNext()) {
String key = iter.next();
Field f = inputFieldMap.get(key);
if (f != null) {
FieldName name =f.getName();
String value = argsMap.get(key);
args.put(name, value);
}
}
//the model is applied to input, a probability distribution is obtained
res = evaluator.evaluate(args);
SegmentResult segmentResult = (SegmentResult) res;
Object targetValue = segmentResult.getTargetValue();
ProbabilityDistribution probabilityDistribution = (ProbabilityDistribution) targetValue;
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2018-02-16 13:05:25
Znalazłem się w podobnej sytuacji. Polecam wyrzeźbić mikroserwis klasyfikatora. Możesz mieć mikrousługę klasyfikatora, która działa w Pythonie, a następnie ujawniać wywołania do tej usługi przez jakiś RESTFul API dając format wymiany danych JSON / XML. Myślę, że to czystsze podejście.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2018-05-11 12:50:16