如何从Java调用scikit-learn分类器？

Question

我有一个使用Python的scikit-learn训练的分类器.如何使用Java程序中的分类器？我可以使用Jython吗？有没有办法在Python中保存分类器并在Java中加载它？还有其他方法可以使用它吗？

Answer 1

你不能使用jython作为scikit-learn很大程度上依赖于numpy和scipy,它们有许多已编译的C和Fortran扩展,因此无法在jython中运行.

在java环境中使用scikit-learn的最简单方法是:

• 将分类器公开为HTTP/Json服务,例如使用诸如flask或bottle或cornice之类的微框架,并使用HTTP客户端库从java调用它

• 在python中编写一个命令行包装器应用程序,它读取stdin上的数据并使用某种格式(如CSV或JSON(或某些低级二进制表示))在stdout上输出预测,并使用Apache Commons Exec从java调用python程序.

• 使python程序输出在拟合时学习的原始数值参数(通常作为浮点值数组)并重新实现java中的预测函数(这通常很容易用于预测线性模型,其中预测通常只是一个阈值点积) .

如果您还需要在Java中重新实现特征提取,那么最后一种方法将会有更多工作.

最后,您可以使用诸如Weka或Mahout之类的Java库来实现您需要的算法,而不是尝试使用scikit-learn from Java.

Answer 2

为此目的有JPMML项目.

首先,您可以直接从python 使用sklearn2pmml库将scikit-learn模型序列化为PMML(内部为XML),或者首先将其转储到python中,然后使用java中的jpmml-sklearn或此库提供的命令行进行转换.接下来,您可以在Java代码中使用jpmml-evaluator加载pmml文件,反序列化并执行加载的模型.

这种方式不适用于所有scikit-learn模型,但适用于其中许多模型.

Answer 3

您可以使用搬运工，我已经测试了 sklearn-porter ( https://github.com/nok/sklearn-porter )，它适用于 Java。

我的代码如下：

import pandas as pd
from sklearn import tree
from sklearn_porter import Porter

train_dataset = pd.read_csv('./result2.csv').as_matrix()

X_train = train_dataset[:90, :8]
Y_train = train_dataset[:90, 8:]

X_test = train_dataset[90:, :8]
Y_test = train_dataset[90:, 8:]

print X_train.shape
print Y_train.shape


clf = tree.DecisionTreeClassifier()
clf = clf.fit(X_train, Y_train)

porter = Porter(clf, language='java')
output = porter.export(embed_data=True)
print(output)

就我而言，我使用的是 DecisionTreeClassifier，并且输出

打印（输出）

是以下代码作为控制台中的文本：

class DecisionTreeClassifier {

  private static int findMax(int[] nums) {
    int index = 0;
    for (int i = 0; i < nums.length; i++) {
        index = nums[i] > nums[index] ? i : index;
    }
    return index;
  }


  public static int predict(double[] features) {
    int[] classes = new int[2];

    if (features[5] <= 51.5) {
        if (features[6] <= 21.0) {

            // HUGE amount of ifs..........

        }
    }

    return findMax(classes);
  }

  public static void main(String[] args) {
    if (args.length == 8) {

        // Features:
        double[] features = new double[args.length];
        for (int i = 0, l = args.length; i < l; i++) {
            features[i] = Double.parseDouble(args[i]);
        }

        // Prediction:
        int prediction = DecisionTreeClassifier.predict(features);
        System.out.println(prediction);

    }
  }
}