1

bigml.com を使用して、アイリス データセットの決定木モデルを生成しました。このデシジョン ツリー モデルを PMML としてダウンロードし、ローカル コンピューターでの予測に使用したいと考えています。

bigml からの PMML モデル

<?xml version="1.0" encoding="utf-8"?>
<PMML version="4.2" xmlns="http://www.dmg.org/PMML-4_2" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance">
    <Header description="Generated by BigML"/>
    <DataDictionary>
        <DataField dataType="double" displayName="Sepal length" name="000001" optype="continuous"/>
        <DataField dataType="double" displayName="Sepal width" name="000002" optype="continuous"/>
        <DataField dataType="double" displayName="Petal length" name="000003" optype="continuous"/>
        <DataField dataType="double" displayName="Petal width" name="000004" optype="continuous"/>
        <DataField dataType="string" displayName="Species" name="000005" optype="categorical">
            <Value value="Iris-setosa"/>
            <Value value="Iris-versicolor"/>
            <Value value="Iris-virginica"/>
        </DataField>
    </DataDictionary>
    <TreeModel algorithmName="mtree" functionName="classification" modelName="">
        <MiningSchema>
            <MiningField name="000001"/>
            <MiningField name="000002"/>
            <MiningField name="000003"/>
            <MiningField name="000004"/>
            <MiningField name="000005" usageType="target"/>
        </MiningSchema>
        <Node recordCount="150" score="Iris-setosa">
            <True/>
            <ScoreDistribution recordCount="50" value="Iris-setosa"/>
            <ScoreDistribution recordCount="50" value="Iris-versicolor"/>
            <ScoreDistribution recordCount="50" value="Iris-virginica"/>
            <Node recordCount="100" score="Iris-versicolor">
                <SimplePredicate field="000003" operator="greaterThan" value="2.45"/>
                <ScoreDistribution recordCount="50" value="Iris-versicolor"/>
                <ScoreDistribution recordCount="50" value="Iris-virginica"/>
                <Node recordCount="46" score="Iris-virginica">
                    <SimplePredicate field="000004" operator="greaterThan" value="1.75"/>
                    <ScoreDistribution recordCount="45" value="Iris-virginica"/>
                    <ScoreDistribution recordCount="1" value="Iris-versicolor"/>
                    <Node recordCount="43" score="Iris-virginica">
                        <SimplePredicate field="000003" operator="greaterThan" value="4.85"/>
                        <ScoreDistribution recordCount="43" value="Iris-virginica"/>
                    </Node>
                    <Node recordCount="3" score="Iris-virginica">
                        <SimplePredicate field="000003" operator="lessOrEqual" value="4.85"/>
                        <ScoreDistribution recordCount="2" value="Iris-virginica"/>
                        <ScoreDistribution recordCount="1" value="Iris-versicolor"/>
                        <Node recordCount="1" score="Iris-versicolor">
                            <SimplePredicate field="000002" operator="greaterThan" value="3.1"/>
                            <ScoreDistribution recordCount="1" value="Iris-versicolor"/>
                        </Node>
                        <Node recordCount="2" score="Iris-virginica">
                            <SimplePredicate field="000002" operator="lessOrEqual" value="3.1"/>
                            <ScoreDistribution recordCount="2" value="Iris-virginica"/>
                        </Node>
                    </Node>
                </Node>
                <Node recordCount="54" score="Iris-versicolor">
                    <SimplePredicate field="000004" operator="lessOrEqual" value="1.75"/>
                    <ScoreDistribution recordCount="49" value="Iris-versicolor"/>
                    <ScoreDistribution recordCount="5" value="Iris-virginica"/>
                    <Node recordCount="6" score="Iris-virginica">
                        <SimplePredicate field="000003" operator="greaterThan" value="4.95"/>
                        <ScoreDistribution recordCount="4" value="Iris-virginica"/>
                        <ScoreDistribution recordCount="2" value="Iris-versicolor"/>
                        <Node recordCount="3" score="Iris-versicolor">
                            <SimplePredicate field="000004" operator="greaterThan" value="1.55"/>
                            <ScoreDistribution recordCount="2" value="Iris-versicolor"/>
                            <ScoreDistribution recordCount="1" value="Iris-virginica"/>
                            <Node recordCount="1" score="Iris-virginica">
                                <SimplePredicate field="000003" operator="greaterThan" value="5.45"/>
                                <ScoreDistribution recordCount="1" value="Iris-virginica"/>
                            </Node>
                            <Node recordCount="2" score="Iris-versicolor">
                                <SimplePredicate field="000003" operator="lessOrEqual" value="5.45"/>
                                <ScoreDistribution recordCount="2" value="Iris-versicolor"/>
                            </Node>
                        </Node>
                        <Node recordCount="3" score="Iris-virginica">
                            <SimplePredicate field="000004" operator="lessOrEqual" value="1.55"/>
                            <ScoreDistribution recordCount="3" value="Iris-virginica"/>
                        </Node>
                    </Node>
                    <Node recordCount="48" score="Iris-versicolor">
                        <SimplePredicate field="000003" operator="lessOrEqual" value="4.95"/>
                        <ScoreDistribution recordCount="47" value="Iris-versicolor"/>
                        <ScoreDistribution recordCount="1" value="Iris-virginica"/>
                        <Node recordCount="1" score="Iris-virginica">
                            <SimplePredicate field="000004" operator="greaterThan" value="1.65"/>
                            <ScoreDistribution recordCount="1" value="Iris-virginica"/>
                        </Node>
                        <Node recordCount="47" score="Iris-versicolor">
                            <SimplePredicate field="000004" operator="lessOrEqual" value="1.65"/>
                            <ScoreDistribution recordCount="47" value="Iris-versicolor"/>
                        </Node>
                    </Node>
                </Node>
            </Node>
            <Node recordCount="50" score="Iris-setosa">
                <SimplePredicate field="000003" operator="lessOrEqual" value="2.45"/>
                <ScoreDistribution recordCount="50" value="Iris-setosa"/>
            </Node>
        </Node>
    </TreeModel>
</PMML>

私は通常、機械学習に R を使用しており、このモデルを読み込んでシステムの予測に使用したいと考えています。R自体はpmmlパッケージを持っていますが、予測には使えないようです。Rでの予測にこのPMMLモデルを使用できる他の方法はありますか?それが不可能な場合、このPMMLモデルをpythonやwekaなどの他の言語で使用できますか? はいの場合、どうすればよいですか（コードが必要です）。

bigml の python モデル

def predict_species(sepal_width=None,
                    petal_length=None,
                    petal_width=None):
    """ Predictor for Species from 

        This is perhaps the best known database to be found in the pattern recognition literature. Fisher's paper is a classic 
        in the field and is referenced frequently to this day. (See Duda & Hart, for example.) The data set contains 3 classes 
        of 50 instances each, where each class refers to a type of iris plant.
        Source
        Iris Data Set[*]
        Bache, K. & Lichman, M. (2013). UCI Machine Learning Repository[*]. Irvine, CA: University of California, School of Information and Computer Science.

        [*]Iris Data Set: http://archive.ics.uci.edu/ml/datasets/Iris
        [*]UCI Machine Learning Repository: http://archive.ics.uci.edu/ml
    """
    if (petal_length is None):
        return u'Iris-setosa'
    if (petal_length > 2.45):
        if (petal_width is None):
            return u'Iris-versicolor'
        if (petal_width > 1.75):
            if (petal_length > 4.85):
                return u'Iris-virginica'
            if (petal_length <= 4.85):
                if (sepal_width is None):
                    return u'Iris-virginica'
                if (sepal_width > 3.1):
                    return u'Iris-versicolor'
                if (sepal_width <= 3.1):
                    return u'Iris-virginica'
        if (petal_width <= 1.75):
            if (petal_length > 4.95):
                if (petal_width > 1.55):
                    if (petal_length > 5.45):
                        return u'Iris-virginica'
                    if (petal_length <= 5.45):
                        return u'Iris-versicolor'
                if (petal_width <= 1.55):
                    return u'Iris-virginica'
            if (petal_length <= 4.95):
                if (petal_width > 1.65):
                    return u'Iris-virginica'
                if (petal_width <= 1.65):
                    return u'Iris-versicolor'
    if (petal_length <= 2.45):
        return u'Iris-setosa'
4

1 に答える 1

2

BigML でローカル予測を実行する最も簡単な方法は、API 呼び出しを介してモデル (アンサンブル、クラスター、異常検出器など) を直接ダウンロードすることです。

たとえば、分類または回帰モデルにBigML の Python バインディングを使用すると、次のようになります。

from bigml.model import Model
model = Model('model/570f4b6e84622c5ed10095a9')
model.predict({'feature_1': 1, 'feature_2': 2})

ローカル クラスターを使用して最も近い重心を見つけるには:

from bigml.cluster import Cluster
cluster = Cluster('cluster/572500b849c4a15c9d00451f')
cluster.centroid({'feature_1': 1, 'feature_2': 2})

ローカル異常検出器を使用して新しいデータ ポイントをスコアリングするには:

from bigml.anomaly import Anomaly
anomaly_detector = Anomaly('anomaly/570f4c333bbd21090101e79f')
anomaly_detector.anomaly_score({'feature_1': 1, 'feature_2': 2})

上記のクラス (Model、Cluster、および Anomaly) は、各モデルを定義する JSON PML コードをダウンロードし、それをローカル関数 (この場合は Python) に具体化します。おそらく、実際のアプリケーションの実装に R を使用したくないので、アプリケーションに使用する言語 (python、node.js、java など) で予測を実行することをお勧めします。BigML は open-それらすべてのソースバインディング。

于 2016-04-30T20:44:54.293 に答える