Python之sklearn2pmml：sklearn2pmml库函数的简介、安装、使用方法之详细攻略

た入场券 2022-12-17 14:50 216阅读 0赞

**目录**

sklearn2pmml库函数的简介

1、一个典型的工作流总结

sklearn2pmml库函数的安装

sklearn2pmml库函数的使用方法

1、一个简单的鸢尾物种分类决策树模型

2、更精细的逻辑回归模型

--------------------

# sklearn2pmml库函数的简介 #

sklearn2pmml是用于将Scikit学习管道转换为PMML的Python库。这个库是JPMML-SkLearn命令行应用程序的一个瘦包装。有关支持的评估器和转换器类型的列表，请参考JPMML-SkLearn特性。

## 1、一个典型的工作流总结 ##

*  创建一个PMMLPipeline对象，并像往常一样用管道步骤填充它。类sklearn2pmml.pipeline。PMMLPipeline扩展了sklearn.pipeline类。管道具有以下功能:
 *  如果PMMLPipeline。fit(X, y)方法是用panda调用的。DataFrame或熊猫。Series对象作为X参数，然后它的列名用作特性名。否则，特征名称默认为“x1”、“x2”，..“x \{number\_of\_features\}”。
 *  如果PMMLPipeline。fit(X, y)方法是用panda调用的。Series对象作为y参数，然后将其名称用作目标名称(对于监督模型)。否则，目标名称默认为“y”。
 *  像往常一样安装和验证pipeline。
 *  可选地，通过调用PMMLPipeline.verify(X)方法来计算验证数据并将其嵌入到PMMLPipeline对象中，该方法使用的是一个较小但有代表性的训练数据子集。
 *  通过调用实用程序方法sklearn2pmml，将PMMLPipeline对象转换为本地文件系统中的PMML文件。pmml\_destination\_path sklearn2pmml(pipeline)。

# sklearn2pmml库函数的安装 #

pip install sklearn2pmml  
pip install --user -i https://pypi.tuna.tsinghua.edu.cn/simple sklearn2pmml

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTg1ODY4_size_16_color_FFFFFF_t_70][]

# sklearn2pmml库函数的使用方法 #

## 1、一个简单的鸢尾物种分类决策树模型 ##

import pandas
    
    iris_df = pandas.read_csv("Iris.csv")
    
    iris_X = iris_df[iris_df.columns.difference(["Species"])]
    iris_y = iris_df["Species"]
    
    from sklearn.tree import DecisionTreeClassifier
    from sklearn2pmml.pipeline import PMMLPipeline
    
    pipeline = PMMLPipeline([
    	("classifier", DecisionTreeClassifier())
    ])
    pipeline.fit(iris_X, iris_y)
    
    from sklearn2pmml import sklearn2pmml
    
    sklearn2pmml(pipeline, "DecisionTreeIris.pmml", with_repr = True)

## 2、更精细的逻辑回归模型 ##

import pandas
    
    iris_df = pandas.read_csv("Iris.csv")
    
    iris_X = iris_df[iris_df.columns.difference(["Species"])]
    iris_y = iris_df["Species"]
    
    from sklearn_pandas import DataFrameMapper
    from sklearn.decomposition import PCA
    from sklearn.feature_selection import SelectKBest
    from sklearn.impute import SimpleImputer
    from sklearn.linear_model import LogisticRegression
    from sklearn2pmml.decoration import ContinuousDomain
    from sklearn2pmml.pipeline import PMMLPipeline
    
    pipeline = PMMLPipeline([
    	("mapper", DataFrameMapper([
    		(["Sepal.Length", "Sepal.Width", "Petal.Length", "Petal.Width"], [ContinuousDomain(), SimpleImputer()])
    	])),
    	("pca", PCA(n_components = 3)),
    	("selector", SelectKBest(k = 2)),
    	("classifier", LogisticRegression(multi_class = "ovr"))
    ])
    pipeline.fit(iris_X, iris_y)
    pipeline.verify(iris_X.sample(n = 15))
    
    from sklearn2pmml import sklearn2pmml
    
    sklearn2pmml(pipeline, "LogisticRegressionIris.pmml", with_repr = True)

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTg1ODY4_size_16_color_FFFFFF_t_70]: /images/20221122/94304401c0094d0b840d02975b6e5ac2.png