Python sklearn中训练的模型导出为PMML

综述

自2007年发布以来，scikit-learn已经成为Python重要的机器学习库了。scikit-learn简称sklearn，支持包括分类、回归、降维和聚类四大机器学习算法。还包含了特征提取、数据处理和模型评估三大模块。
sklearn拥有着完善的文档，上手容易，具有着丰富的API，在学术界颇受欢迎。sklearn已经封装了大量的机器学习算法，包括LIBSVM和LIBINEAR。同时sklearn内置了大量数据集，节省了获取和整理数据集的时间。
本文介绍了如何将sklearn中的模型导出为PMML文件，方便后续的工程上线操作，内容包括涉及环境的搭建和中间遇到的坑。

前置知识

• Python 基本操作，会使用pip 或者Anaconda进行依赖库管理
• Maven 基本操作
• Java 命令基本操作

sklearn2pmml 相关组件安装

软件版本

• Python 2.7，3.4 或者更新。
• scikit-learn 0.16.0 或者更新。
• sklearn-pandas 0.0.10 或者更新。
• sklearn2pmml 0.14.0 或者更新。

安装scikit-learn

使用pip 安装，命令如下：

pip install -U scikit-learn

使用conda 安装，命令如下：

conda install scikit-learn

个人强烈建议，使用Anaconda 进行Python 版本管理，使用conda命令进行安装。（貌似因为源的问题，conda中被墙的可能性小）

详细内容，可以参见 sklearn 安装文档

安装skkearn-pandas

命令如下:

pip install sklearn-pandas

这个地方，如果因为被墙，可以去官网下载whl文件到本地，假设路径为”/data/users/miao18/sklearn_pandas-1.6.0-py2.py3-none-any.whl”然后

pip install /data/users/miao18/sklearn_pandas-1.6.0-py2.py3-none-any.whl

通过本地文件的方式安装。

安装sklearn2pmml

命令如下：

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

校验是否安装成功

进入Python 命令行，输入如下命令

import sklearn, sklearn.externals.joblib, sklearn_pandas, sklearn2pmml

print(sklearn.__version__)
print(sklearn.externals.joblib.__version__)
print(sklearn_pandas.__version__)
print(sklearn2pmml.__version__)

我的环境输出结果如下，符合要求：

0.19.1
0.11
1.6.0
0.26.0

使用方法

from sklearn2pmml import PMMLPipeline
from sklearn.datasets import load_iris
from sklearn import tree
iris = load_iris()
clf = tree.DecisionTreeClassifier()
pipeline = PMMLPipeline([("classifier", clf)])
pipeline.fit(iris.data, iris.target)

# 导出为PMML
from sklearn2pmml import sklearn2pmml
sklearn2pmml(pipeline, "DecisionTreeIris.pmml", with_repr = True)

工作目录下的DecisionTreeIris.pmml 就是导出的pmml文件。

这里需要注意，sklearn中都是以pipeline 的形式进行转化的。原型如下：

sklearn2pmml(pipeline, pmml, user_classpath, with_repr, debug)

jpmml-sklearn

软件版本

• Python 2.7，3.4 或者更新。
• scikit-learn 0.16.0 或者更新。
• sklearn-pandas 0.0.10 或者更新。
• sklearn2pmml 0.14.0 或者更新。
• Java 1.8 或者更新。

安装

从github 下载源码，并安装：

git clone git@github.com:jpmml/jpmml-sklearn.git
mvn clean install

执行完毕后，在target目录下有 一个 converter-executable-1.4-SNAPSHOT.jar 的jar文件。

使用方法

一个典型的workflow如下：

1. 使用Python 训练一个模型。
2. 将模型序列化为pickle，并存到本地。
3. 使用Java命令，将pickle文件转为pmml。

Python 侧生成一个pickle 文件

训练部分，和直接导出pmml类似，只是最后的落地文件，不直接导出为pmml，而是存成pickle文件，代码如下：

from sklearn2pmml import PMMLPipeline
from sklearn.datasets import load_iris
from sklearn import tree
iris = load_iris()
clf = tree.DecisionTreeClassifier()
pipeline = PMMLPipeline([("classifier", clf)])
pipeline.fit(iris.data, iris.target)

from sklearn.externals import joblib
joblib.dump(pipeline, "pipeline.pkl.z", compress = 9)

Java侧转换

使用上文编译好的Jar包，进行转换，命令如下:

java -jar target/jpmml-sklearn-executable-1.5-SNAPSHOT.jar --pkl-input pipeline.pkl.z --pmml-output pipeline.pmml

总结

分别使用了sklearn2pmml 和 jpmml-sklearn 进行导出pmml文件，操作过程类似。
使用sklearn2pmml 的方式更为便捷，直接在python 中就可以导出，这意味着每次训练完模型，就能快速生成一个pmml文件。
使用jpmml-sklearn，则可以对现有的pickle 文件进行操作。
两者各有优劣，请使用者根据实际情况按需使用。