1. PMML概述
PMML全称预言模型标记语言（Predictive Model Markup Language），利用XML描述和存储数据挖掘模型，是一个已经被W3C所接受的标准。使用pmml储存好模型之后，任何软件栈都可以调用pmml储存好的模型。主要用于跨平台的机器学习模型部署。
2. PMML模型的生成和加载相关类库
PMML模型的生成相关的库需要看我们使用的离线训练库。如果我们使用的是sklearn，那么可以使用sklearn2pmml这个python库来做模型文件的生成，这个库安装很简单，使用"pip install sklearn2pmml"即可，相关的使用我们后面会有一个demo。如果使用的是Spark MLlib, 这个库有一些模型已经自带了保存PMML模型的方法，可惜并不全。如果是R，则需要安装包"XML"和“PMML”。此外，JAVA库JPMML可以用来生成R,SparkMLlib,xgBoost,Sklearn的模型对应的PMML文件。github地址是：https://github.com/jpmml/jpmml。
加载PMML模型需要目标环境支持PMML加载的库，如果是JAVA，则可以用JPMML来加载PMML模型文件。
pmml支持的model有 ：
3. PMML模型生成和加载示例
下面我们给一个示例，使用sklearn生成一个决策树模型，用sklearn2pmml生成模型文件，用JPMML加载模型文件，并做预测。
首先是用用sklearn生成一个决策树模型，由于我们是需要保存PMML文件，所以最好把模型先放到一个Pipeline数组里面。这个数组里面除了我们的决策树模型以外，还可以有归一化，降维等预处理操作，这里作为一个示例，我们Pipeline数组里面只有决策树模型。代码如下:
-
import numpy as np
-
import matplotlib.pyplot as plt
-
%matplotlib inline
-
import pandas as pd
-
from sklearn import tree
-
from sklearn2pmml.pipeline import PMMLPipeline
-
from sklearn2pmml import sklearn2pmml
-
-
import os
-
os.environ["PATH"] += os.pathsep + 'C:/Program Files/Java/jdk1.8.0_171/bin'
-
-
X=[[1,2,3,1],[2,4,1,5],[7,8,3,6],[4,8,4,7],[2,5,6,9]]
-
y=[0,1,0,2,1]
-
pipeline = PMMLPipeline([("classifier", tree.DecisionTreeClassifier(random_state=9))]);
-
pipeline.fit(X,y)
-
-
sklearn2pmml(pipeline, ".demo.pmml", with_repr = True)
上面这段代码做了一个非常简单的决策树分类模型，只有5个训练样本，特征有4个，输出类别有3个。实际应用时，我们需要将模型调参完毕后才将其放入PMMLPipeline进行保存。运行代码后，我们在当前目录会得到一个PMML的XML文件，可以直接打开看，内容大概如下：
-
-
<PMML xmlns="http://www.dmg.org/PMML-4_3" version="4.3">
-
<Header>
-
<Application name="JPMML-SkLearn" version="1.5.3"/>
-
<Timestamp>2018-06-24T05:47:17Z</Timestamp>
-
</Header>
-
<MiningBuildTask>
-
<Extension>PMMLPipeline(steps=[('classifier', DecisionTreeClassifier(class_weight=None, criterion='gini', max_depth=None,
-
max_features=None, max_leaf_nodes=None,
-
min_impurity_decrease=0.0, min_impurity_split=None,
-
min_samples_leaf=1, min_samples_split=2,
-
min_weight_fraction_leaf=0.0, presort=False, random_state=9,
-
splitter='best'))])</Extension>
-
</MiningBuildTask>
-
<DataDictionary>
-
<DataField name="y" optype="categorical" dataType="integer">
-
<Value value="0"/>
-
<Value value="1"/>
-
<Value value="2"/>
-
</DataField>
-
<DataField name="x3" optype="continuous" dataType="float"/>
-
<DataField name="x4" optype="continuous" dataType="float"/>
-
</DataDictionary>
-
<TransformationDictionary>
-
<DerivedField name="double(x3)" optype="continuous" dataType="double">
-
<FieldRef field="x3"/>
-
</DerivedField>
-
<DerivedField name="double(x4)" optype="continuous" dataType="double">
-
<FieldRef field="x4"/>
-
</DerivedField>
-
</TransformationDictionary>
-
<TreeModel functionName="classification" missingValueStrategy="nullPrediction" splitCharacteristic="multiSplit">
-
<MiningSchema>
-
<MiningField name="y" usageType="target"/>
-
<MiningField name="x3"/>
-
<MiningField name="x4"/>
-
</MiningSchema>
-
<Output>
-
<OutputField name="probability(0)" optype="continuous" dataType="double" feature="probability" value="0"/>
-
<OutputField name="probability(1)" optype="continuous" dataType="double" feature="probability" value="1"/>
-
<OutputField name="probability(2)" optype="continuous" dataType="double" feature="probability" value="2"/>
-
</Output>
-
<Node>
-
<True/>
-
<Node>
-
<SimplePredicate field="double(x3)" operator="lessOrEqual" value="3.5"/>
-
<Node score="1" recordCount="1.0">
-
<SimplePredicate field="double(x3)" operator="lessOrEqual" value="2.0"/>
-
<ScoreDistribution value="0" recordCount="0.0"/>
-
<ScoreDistribution value="1" recordCount="1.0"/>
-
<ScoreDistribution value="2" recordCount="0.0"/>
-
</Node>
-
<Node score="0" recordCount="2.0">
-
<True/>
-
<ScoreDistribution value="0" recordCount="2.0"/>
-
<ScoreDistribution value="1" recordCount="0.0"/>
-
<ScoreDistribution value="2" recordCount="0.0"/>
-
</Node>
-
</Node>
-
<Node score="2" recordCount="1.0">
-
<SimplePredicate field="double(x4)" operator="lessOrEqual" value="8.0"/>
-
<ScoreDistribution value="0" recordCount="0.0"/>
-
<ScoreDistribution value="1" recordCount="0.0"/>
-
<ScoreDistribution value="2" recordCount="1.0"/>
-
</Node>
-
<Node score="1" recordCount="1.0">
-
<True/>
-
<ScoreDistribution value="0" recordCount="0.0"/>
-
<ScoreDistribution value="1" recordCount="1.0"/>
-
<ScoreDistribution value="2" recordCount="0.0"/>
-
</Node>
-
</Node>
-
</TreeModel>
-
</PMML>
1、sklearn生成pmml文件 ：
-
pipeline = PMMLPipeline([
-
-
('mapper', mapper),
-
("classifier", linear_model.LinearRegression())
-
])
-
pipeline.fit(heart_data[heart_data.columns.difference(["chd"])], heart_data["chd"])
-
-
sklearn2pmml(pipeline, "lrHeart.xml", with_repr = True)
2、jpmml加载pmml文件
先添加maven依赖，
-
<dependency>
-
<groupId>org.jpmml</groupId>
-
<artifactId>pmml-evaluator</artifactId>
-
<version>1.4.2</version>
-
</dependency>
-
-
<dependency>
-
-
<groupId>org.jpmml</groupId>
-
<artifactId>pmml-evaluator-extension</artifactId>
-
<version>1.4.2</version>
-
</dependency>
然后加载pmml模型和调用
-
PMML pmml;
-
try(InputStream is = ...){
-
-
pmml = org.jpmml.model.PMMLUtil.unmarshal(is);
-
}
4. PMML 深度解析
您已了解了何为 PMML 及其重要性，现在让我们来深入探究这种语言本身。如上所述，PMML 的结构反映了常用于创建预测解决方案的八大步骤，从在 “数据词典” 步骤中定义原始输入数据字段到在 “模型验证” 步骤中验证模型是否得到正确部署。
清单 1 展示了一个含有三个字段的解决方案中 PMML 元素 DataDictionary 的定义，这三个字段是：数值型输入字段 Value、分类输入字段 Element 和数值型输出字段 Risk。
清单 1. DataDictionary 元素
|
1 2 3 4 5 6 7 8 9 10 11 12 |
|
请注意，对于字段 Value，范围从负无穷大到 60 的值是有效值。高于 60 的值被定义为无效值。（尽管在此没有显示，您可以使用 PMML 元素 MiningSchema 为无效值和遗漏值定义合适的处理方法。）考虑到字段 Element 是分类的，有效值被明确地列出。如果该特定字段的数据提要包含元素 Iron，将该元素作为无效值处理。
图 2 展示了神经网络模型的图形表示，其中输入层包含 3 个神经元，隐藏层包含 2 个神经元，输出层包含 1 个神经元。如您所期望的，PMML 可以完全呈现这样一个结构。
图 2. 一个简单的神经网络模型，其中在对预测进行计算之前，数据经过一系列层
清单 2 展示了隐藏层及其神经元以及输入层（0、1 和 2）和隐藏层（3 和 4）中神经元的连接权重的定义。
清单 2. 在 PMML 中定义神经层及其神经元
|
1 2 3 4 5 6 7 8 9 10 11 12 |
|
PMML 不是一件艰难的事。其复杂程度反映了其呈现的建模技术的复杂程度。事实上，它揭开了许多人感到神秘的预测分析的秘密和黑匣子。利用 PMML，任何预测解决方案都可以采用同样的顺序用同一种语言元素呈现。
在公司中，PMML 不仅可以作为应用程序之间也可以作为部门、服务提供商及外部供应商之间的混合语。在这种情况下，PMML 就成为定义预测解决方案交流的单一、清晰流程的一个标准。
5. PMML总结与思考
PMML的确是跨平台的利器，但是是不是就没有缺点呢？肯定是有的！
第一个就是PMML为了满足跨平台，牺牲了很多平台独有的优化，所以很多时候我们用算法库自己的保存模型的API得到的模型文件，要比生成的PMML模型文件小很多。同时PMML文件加载速度也比算法库自己独有格式的模型文件加载慢很多。
第二个就是PMML加载得到的模型和算法库自己独有的模型相比，预测会有一点点的偏差，当然这个偏差并不大。比如某一个样本，用sklearn的决策树模型预测为类别1，但是如果我们把这个决策树落盘为一个PMML文件，并用JAVA加载后，继续预测刚才这个样本，有较小的概率出现预测的结果不为类别1.
第三个就是对于超大模型，比如大规模的集成学习模型，比如xgboost, 随机森林，或者tensorflow，生成的PMML文件很容易得到几个G，甚至上T，这时使用PMML文件加载预测速度会非常慢，此时推荐为模型建立一个专有的环境，就没有必要去考虑跨平台了。
此外，对于TensorFlow，不推荐使用PMML的方式来跨平台。可能的方法一是TensorFlow serving，自己搭建预测服务，但是会稍有些复杂。另一个方法就是将模型保存为TensorFlow的模型文件，并用TensorFlow独有的JAVA库加载来做预测。
【转载】：https://www.cnblogs.com/pinard/p/9220199.html