xgboost java_xgboost模型通过pmml存储，在java中调用

ゝ一世哀愁。 2022-11-10 01:12 422阅读 0赞

xgboost已经提供丰富的java接口，再通过pmml调用显得没多大的意义，java底层用的c++写的预测方法，超级快，不过还是记录下，直接看看python代码，数据还是鸾尾花数据：

import pandas as pd

from xgboost.sklearn import XGBClassifier

from sklearn2pmml import PMMLPipeline

from sklearn\_pandas import DataFrameMapper

from sklearn2pmml import sklearn2pmml

iris\_df = pd.read\_csv("xml/iris.csv")

clf = XGBClassifier(

silent=0 ,\#设置成1则没有运行信息输出，最好是设置为0.是否在运行升级时打印消息。

\#nthread=4,\# cpu 线程数 默认最大

learning\_rate= 0.3, \# 如同学习率

min\_child\_weight=1,

\# 这个参数默认是 1，是每个叶子里面 h 的和至少是多少，对正负样本不均衡时的 0-1 分类而言

\#，假设 h 在 0.01 附近，min\_child\_weight 为 1 意味着叶子节点中最少需要包含 100 个样本。

\#这个参数非常影响结果，控制叶子节点中二阶导的和的最小值，该参数值越小，越容易 overfitting。

max\_depth=6, \# 构建树的深度，越大越容易过拟合

gamma=0, \# 树的叶子节点上作进一步分区所需的最小损失减少,越大越保守，一般0.1、0.2这样子。

subsample=1, \# 随机采样训练样本 训练实例的子采样比

max\_delta\_step=0,\#最大增量步长，我们允许每个树的权重估计。

colsample\_bytree=1, \# 生成树时进行的列采样

reg\_lambda=1, \# 控制模型复杂度的权重值的L2正则化项参数，参数越大，模型越不容易过拟合。

objective= 'multi:softmax', \#多分类的问题 指定学习任务和相应的学习目标

n\_estimators=100, \#树的个数

seed=1000

)

mapper = DataFrameMapper(\[

(\['sepal\_length'\], None),

(\['sepal\_width'\], None),

(\['petal\_length'\], None),

(\['petal\_width'\], None)

\])

pipeline = PMMLPipeline(\[('mapper', mapper), ("classifier", clf)\])

pipeline.fit(iris\_df\[iris\_df.columns.difference(\["species"\])\],iris\_df\["species"\])

sklearn2pmml(pipeline,"./xml/xgboost.pmml",with\_repr = True)

java代码调用上一步生成的xgboost.xml，看下，跟上两篇并没有什么区别：

package com.meituan.test;

import java.io.File;

import java.io.FileInputStream;

import java.io.InputStream;

import java.util.HashMap;

import java.util.LinkedHashMap;

import java.util.List;

import java.util.Map;

import org.dmg.pmml.FieldName;

import org.dmg.pmml.PMML;

import org.jpmml.evaluator.Evaluator;

import org.jpmml.evaluator.FieldValue;

import org.jpmml.evaluator.InputField;

import org.jpmml.evaluator.ModelEvaluator;

import org.jpmml.evaluator.ModelEvaluatorFactory;

import org.jpmml.evaluator.TargetField;

public class PMMLPrediction \{

public static void main(String\[\] args) throws Exception \{

String pathxml="/Users/shuubiasahi/Documents/python/credit-tfgan/xml/xgboost.pmml";

Map map=new HashMap();

map.put("sepal\_length", 5.1);

map.put("sepal\_width", 3.5);

map.put("petal\_length", 1.4);

map.put("petal\_width", 0.2);

predictLrHeart(map, pathxml);

public static void predictLrHeart(Map irismap,String pathxml)throws Exception \{

PMML pmml;

// 模型导入

File file = new File(pathxml);

InputStream inputStream = new FileInputStream(file);

try (InputStream is = inputStream) \{

pmml = org.jpmml.model.PMMLUtil.unmarshal(is);

ModelEvaluatorFactory modelEvaluatorFactory = ModelEvaluatorFactory

.newInstance();

ModelEvaluator> modelEvaluator = modelEvaluatorFactory

.newModelEvaluator(pmml);

Evaluator evaluator = (Evaluator) modelEvaluator;

List inputFields = evaluator.getInputFields();

// 过模型的原始特征，从画像中获取数据，作为模型输入

Map arguments = new LinkedHashMap<>();

for (InputField inputField : inputFields) \{

FieldName inputFieldName = inputField.getName();

Object rawValue = irismap

.get(inputFieldName.getValue());

FieldValue inputFieldValue = inputField.prepare(rawValue);

arguments.put(inputFieldName, inputFieldValue);

Map results = evaluator.evaluate(arguments);

List targetFields = evaluator.getTargetFields();

//对于分类问题等有多个输出。

for (TargetField targetField : targetFields) \{

FieldName targetFieldName = targetField.getName();

Object targetFieldValue = results.get(targetFieldName);

System.err.println("target: " + targetFieldName.getValue()

\+ " value: " + targetFieldValue);

结果：

target: species value: ProbabilityDistribution\{result=0, probability\_entries=\[0=0.9966834381304797, 1=0.0024718368561191103, 2=8.447250134011304E-4\]\}

xgboost java_xgboost模型通过pmml存储，在java中调用

发表评论取消回复

还没有评论，来说两句吧...

相关阅读

相关 python xgboost建模过程_如何在python / R中访问xgboost模型的单个树

相关 xgboost模型训练到部署

相关 xgboost java_xgboost模型通过pmml存储，在java中调用

相关在java中调用mysql存储过程

相关 Servlet中实现通过Rhino在Java中调用JavaScript

相关在 MyBatis 中调用Oracle存储过程

相关在java中调用训练好的TensorFlow模型

相关在ACCESS 中调用后台存储过程

相关 Java调用在python中完成训练的tensorflow模型

相关 python训练模型，java预测模型(sklearn2pmml)