Python之nyoka：nyoka庫函數(shù)的簡介、安裝、使用方法之詳細(xì)攻略

?

?

?

?

?

目錄

nyoka庫函數(shù)的簡介

1、Nyoka的核心模塊

2、模型

(1)、基礎(chǔ)模型

(2)、LightGBM:

(3)、XGBoost (version <= 0.90):

(4)、Statsmodels (version <= 0.11.1):

3、預(yù)處理

nyoka庫函數(shù)的安裝

nyoka庫函數(shù)的使用方法

1、Nyoka為每個庫包含獨(dú)立的導(dǎo)出程序，例如scikit-learn、keras、xgboost等。

2、基于StandardScaler的決策樹分類器案例

3、LGBMClassifier → PMML

4、基于nyoka庫利用LGBMClassifier模型實(shí)現(xiàn)對iris數(shù)據(jù)集訓(xùn)練、保存為pmml模型并重新載入pmml模型進(jìn)而實(shí)現(xiàn)推理

---

?

?

?

?

nyoka庫函數(shù)的簡介

? ? ?Nyoka是一個全面支持最新PMML (PMML 4.4)標(biāo)準(zhǔn)的Python庫。使用Nyoka,數(shù)據(jù)科學(xué)家可以出口大量的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)從流行的Python框架PMML模型通過使用任何眾多包括現(xiàn)成的出口商或通過創(chuàng)建自己的專業(yè)出口商/個人模型類型通過構(gòu)造函數(shù)的調(diào)用序列。
? ? ?除了大約500 Python類,每個封面PMML標(biāo)簽和所有構(gòu)造函數(shù)參數(shù)/屬性中定義的標(biāo)準(zhǔn),Nyoka還提供了越來越多的方便的類和函數(shù),簡化數(shù)據(jù)科學(xué)家的生活例如通過閱讀或編寫任何PMML文件在一行代碼中你最喜歡的Python環(huán)境。
? ? ?Nyoka提供了完整的Python源代碼，擴(kuò)展的HTML類/函數(shù)文檔，以及越來越多的Jupyter筆記本教程，幫助您熟悉Nyoka支持您使用PMML作為您最喜歡的數(shù)據(jù)科學(xué)傳輸文件格式的方式。

Nyoka文檔：https://softwareag.github.io/nyoka/

?

1、Nyoka的核心模塊

• Statsmodels Exporter Module
• Keras Exporter Module
• RetinaNet Exporter Module
• LightGBM Exporter Module
• Pre-Processing Exporter Module
• Scikit-Learn Exporter Module
• XGBoost Exporter Module
• ExponentialSmoothing Exporter Module
• Nyoka's Pre-Processing Module
• Enums Module

?

2、模型

(1)、基礎(chǔ)模型

• linear_model.LinearRegression
• linear_model.LogisticRegression
• linear_model.RidgeClassifier
• linear_model.SGDClassifier
• discriminant_analysis.LinearDiscriminantAnalysis
• tree.DecisionTreeClassifier
• tree.DecisionTreeRegressor
• svm.SVC
• svm.SVR
• svm.LinearSVC
• svm.LinearSVR
• svm.OneClassSVM
• naive_bayes.GaussianNB
• ensemble.RandomForestRegressor
• ensemble.RandomForestClassifier
• ensemble.GradientBoostingRegressor
• ensemble.GradientBoostingClassifier
• ensemble.IsolationForest
• neural_network.MLPClassifier
• neural_network.MLPRegressor
• neighbors.KNeighborsClassifier
• neighbors.KNeighborsRegressor
• cluster.KMeans

(2)、LightGBM:

• LGBMClassifier
• LGBMRegressor

(3)、XGBoost (version <= 0.90):

• XGBClassifier
• XGBRegressor

(4)、Statsmodels (version <= 0.11.1):

• tsa.arima_model.ARIMA
• tsa.arima.model.ARIMA?(In statespace form)
• tsa.statespace.SARIMAX
• tsa.statespace.VARMAX
• tsa.statespace.ExponentialSmoothing

?

?

?

3、預(yù)處理

• preprocessing.StandardScaler
• preprocessing.MinMaxScaler
• preprocessing.RobustScaler
• preprocessing.MaxAbsScaler
• preprocessing.LabelEncoder
• preprocessing.Imputer
• preprocessing.Binarizer
• preprocessing.PolynomialFeatures
• preprocessing.LabelBinarizer
• preprocessing.OneHotEncoder
• feature_extraction.text.TfidfVectorizer
• feature_extraction.text.CountVectorizer
• decomposition.PCA
• sklearn_pandas.CategoricalImputer?( From?sklearn_pandas?library )

?

?

?

?

nyoka庫函數(shù)的安裝

pip install nyoka
pip install --user -i https://pypi.tuna.tsinghua.edu.cn/simple nyoka

?

?

?

?

nyoka庫函數(shù)的使用方法

1、Nyoka為每個庫包含獨(dú)立的導(dǎo)出程序，例如scikit-learn、keras、xgboost等。

libraryexporter

scikit-learn	skl_to_pmml
xgboost	xgboost_to_pmml
lightgbm	lgbm_to_pmml
keras	KerasToPmml
statsmodels	StatsmodelsToPmml & ExponentialSmoothingToPmml
retinanet	RetinanetToPmml

?

2、基于StandardScaler的決策樹分類器案例

?from sklearn.pipeline import Pipelinefrom sklearn.tree import DecisionTreeClassifierfrom sklearn.preprocessing import StandardScalerpipeline_obj = Pipeline([("scaler",StandardScaler()),("model",DecisionTreeClassifier())])from sklearn.dataset import load_irisiris_data = load_iris()X = iris_data.datay = iris_data.targetfeatures = iris_data.feature_namespipeline_obj.fit(X,y)from nyoka import skl_to_pmmlskl_to_pmml(pipeline=pipeline_obj,col_names=features,target_name="species",pmml_f_name="decision_tree.pmml")

?

?

?

3、LGBMClassifier → PMML

import pandas as pd from sklearn import datasets from sklearn.pipeline import Pipeline from lightgbm import LGBMRegressor,LGBMClassifier from nyoka import lgb_to_pmmliris = datasets.load_iris() irisd = pd.DataFrame(iris.data,columns=iris.feature_names)target = 'Species' irisd[target] = iris.target features = irisd.columns.drop(target)#保存模型 pipeline_obj = Pipeline([ ('lgbmc',LGBMClassifier())]) pipeline_obj.fit(irisd[features],irisd[target]) lgb_to_pmml(pipeline_obj,features,target,"lgbmc_pmml.pmml")#讀入數(shù)據(jù)進(jìn)行測試 auto = pd.read_csv('auto-mpg.csv') X = auto.drop(['mpg','car name'], axis=1) y = auto['mpg']feature_names = [name for name in auto.columns if name not in ('mpg','car name')] target_name='mpg'pipeline_obj = Pipeline([ ('lgbmr',LGBMRegressor()) ]) pipeline_obj.fit(auto[feature_names],auto[target_name]) lgb_to_pmml(pipeline_obj,feature_names,target_name,"lgbmr_pmml.pmml")

?

4、基于nyoka庫利用LGBMClassifier模型實(shí)現(xiàn)對iris數(shù)據(jù)集訓(xùn)練、保存為pmml模型并重新載入pmml模型進(jìn)而實(shí)現(xiàn)推理

ML之nyoka：基于nyoka庫利用LGBMClassifier模型實(shí)現(xiàn)對iris數(shù)據(jù)集訓(xùn)練、保存為pmml模型并重新載入pmml模型進(jìn)而實(shí)現(xiàn)推理

?

?

?

?

?

?

?

?

?

?

總結(jié)

以上是生活随笔為你收集整理的Python之nyoka：nyoka库函数的简介、安装、使用方法之详细攻略的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。