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

我就是我 2022-12-17 14:50 369阅读 0赞

**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

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTg1ODY4_size_16_color_FFFFFF_t_70][]

# 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)

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTg1ODY4_size_16_color_FFFFFF_t_70]: /images/20221122/eabba6cc3a3443fa89765128d1d5a86b.png