Python之sklearn-pmml：sklearn-pmml的簡介、安裝、使用方法之詳細攻略

?

?

?

目錄

sklearn-pmml的簡介

1、分類

2、回歸

sklearn-pmml的安裝

sklearn-pmml的使用方法

1、保存GBDT模型為pmml文件并載入

---

?

?

?

?

?

sklearn-pmml的簡介

? ? ? ? 一個允許將SciKit-Learn估計器序列化到PMML的庫。PMML輸出。分類器轉換器只能操作分類輸出，對于每個分類輸出變量“varname”，PMML輸出包含以下輸出:-實例預測標簽的分類“varname”-雙“varname”。標簽'表示給定標簽的概率。回歸模型PMML輸出數值響應變量作為輸出變量。支持的模型：

• DecisionTreeClassifier
• DecisionTreeRegressor
• GradientBoostingClassifier
• RandomForestClassifier

1、分類

分類器轉換器只能操作分類輸出，對于每個分類輸出變量varname, PMML輸出包含以下輸出：

• 實例的預測標簽的分類varname
• varname兩倍。標簽表示一個給定標簽的概率

?

2、回歸

回歸模型PMML輸出數值響應變量作為輸出變量

?

?

?

sklearn-pmml的安裝

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模型為pmml文件并載入

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)

?

?

?

?

?

?

?

?

總結

以上是生活随笔為你收集整理的Python之sklearn-pmml：sklearn-pmml的简介、安装、使用方法之详细攻略的全部內容，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。