Python之sklearn-pmml：sklearn-pmml的简介、安装、使用方法之详细攻略

 

 

 

目录

sklearn-pmml的简介

1、分类

2、回归

sklearn-pmml的安装

sklearn-pmml的使用方法

1、保存GBDT模型为pmml文件并载入

---

 

 

 

 

 

sklearn-pmml的简介

        一个允许将SciKit-Learn估计器序列化到PMML的库。PMML输出。分类器转换器只能操作分类输出，对于每个分类输出变量“varname”，PMML输出包含以下输出:-实例预测标签的分类“varname”-双“varname”。标签'表示给定标签的概率。回归模型PMML输出数值响应变量作为输出变量。支持的模型：

• DecisionTreeClassifier
• DecisionTreeRegressor
• GradientBoostingClassifier
• RandomForestClassifier

1、分类

分类器转换器只能操作分类输出，对于每个分类输出变量varname, PMML输出包含以下输出：

• 实例的预测标签的分类varname
• varname两倍。标签表示一个给定标签的概率

 

2、回归

回归模型PMML输出数值响应变量作为输出变量

 

 

 

sklearn-pmml的安装

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

 

 

sklearn-pmml的使用方法

1、保存GBDT模型为pmml文件并载入

GBDT = GradientBoostingClassifier(random_state=123,max_depth=5,min_samples_split=10)
clf = PMMLPipeline([('vecd', DictVectorizer(sparse=False)), ('classifier', GBDT)])
vec = DictVectorizer(sparse=False)clf.fit(X_train_dict, y_train)
y_predict = clf.predict(X_test_dict)print(clf.score(X_test_dict, y_test))
print(classification_report(y_predict, y_test, target_names=['died', 'survivied']))print(roc_auc_score(y_test,y_predict))sklearn2pmml(clf, 'Model.pmml', with_repr=True, debug=True)from pypmml import Model
model=Model.fromFile('Model.pmml')
X = titanic[['pclass', 'age', 'sex',"room"]]
ret=model.predict(X_test);print(ret)
auc=roc_auc_score(y_test,round(ret['probability(1)']))
print(auc)