您搜索了某種導出機器學習模型的方法，以便可以將它們用于評估數據，并且看到可以PMML格式導出它們。 您實際上是在Java生態系統中工作的，但沒有動機既不編寫PMML庫也不為其編寫Rest API。 然后，我將向您推薦LightningScorer ，這是我的附帶項目。

讓我們帶您參觀部署和評分機器學習模型的過程。

首先獲取本地副本

git clone https://github.com/sezinkarli/lightningscorer.git

并用Maven構建

mvn clean install

并通過轉到目標文件夾開始

java -jar lightningscorer-uberjar-1.0.jar

現在，通過轉到以下步驟來確保我們的服務器已啟動并正在運行

http://localhost:8080/

。

服務器退貨

{ "data": "I have come here to chew bubblegum and kick ass...", "success": true }

好吧，現在我們可以踢屁股了。

我將使用apache commons的http get / post方法。 首先，我們將部署我們的機器學習模型。 然后，我們將檢查它是否安全可靠，然后使用我們的輸入值對其進行評分。 我們將使用經過UCI機器學習存儲庫中虹膜數據集訓練的決策樹。 我們將發送4個參數（萼片長度和寬度以及花瓣長度和寬度），并且模型會將其分類為3個值之一。

final String url = "http://localhost:8080/model/"; final String modelId = "test1";//http://dmg.org/pmml/pmml_examples/KNIME_PMML_4.1_Examples/single_iris_dectree.xml File pmmlFile = new File("/tmp/single_iris_dectree.xml");CloseableHttpClient client = HttpClients.createDefault();//first we will deploy our pmml file HttpPost deployPost = new HttpPost(url + modelId); MultipartEntityBuilder builder = MultipartEntityBuilder.create(); builder.addBinaryBody("model", new File(pmmlFile.getAbsolutePath()), ContentType.APPLICATION_OCTET_STREAM, "model"); HttpEntity multipart = builder.build(); deployPost.setEntity(multipart);CloseableHttpResponse response = client.execute(deployPost); String deployResponse = IOUtils.toString(response.getEntity().getContent(), Charset.forName("UTF-8")); System.out.println(deployResponse); // response is {"data":true,"success":true} deployPost.releaseConnection();//now we check the model HttpGet httpGet = new HttpGet(url + "ids"); response = client.execute(httpGet); String getAllModelsResponse = IOUtils.toString(response.getEntity().getContent(), Charset.forName("UTF-8")); System.out.println(getAllModelsResponse); // response is {"data":["test1"],"success":true} httpGet.releaseConnection();// lets score our deployed mode with parameters below HttpPost scorePost = new HttpPost(url + modelId + "/score"); StringEntity params = new StringEntity("{" +"\"fields\":" +"{\"sepal_length\":4.5," +"\"sepal_width\":3.5," +"\"petal_length\":3.5," +"\"petal_width\":1" +"}" +"} "); scorePost.addHeader("content-type", "application/json"); scorePost.setEntity(params);CloseableHttpResponse response2 = client.execute(scorePost); String scoreResponse = IOUtils.toString(response2.getEntity().getContent(), Charset.forName("UTF-8")); System.out.println(scoreResponse); //response is{"data":{"result":{"class":"Iris-versicolor"}},"success":true} scorePost.releaseConnection();client.close();

翻譯自: https://www.javacodegeeks.com/2018/05/machine-learning-in-java-part-1.html

總結

以上是生活随笔為你收集整理的Java机器学习，第1部分的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。