機器學(xué)習(xí)基本上是人工智能的一個子集，它使用以前存在的數(shù)據(jù)對新數(shù)據(jù)進行預(yù)測。

當(dāng)然，現(xiàn)在我們所有人都知道這個道理了！這篇文章展示了如何將 Python 中開發(fā)的機器學(xué)習(xí)模型作為 Java 代碼的一部分來進行預(yù)測。

本文假設(shè)你熟悉基本的開發(fā)技巧并理解機器學(xué)習(xí)。我們將從訓(xùn)練我們的模型開始，然后在 Python 中制作一個機器學(xué)習(xí)模型。

我以一個洪水預(yù)測模型為例。首先，導(dǎo)入以下庫：

    import pandas as pd
    import numpy as np
    import matplotlib.pyplot as plt

當(dāng)我們成功地導(dǎo)入了這些庫，我們就需要輸入數(shù)據(jù)集，如下面的代碼所示。為了預(yù)測洪水，我使用的是河流水位數(shù)據(jù)集。

    from google.colab import files
    uploaded = files.upload()
    for fn in uploaded.keys(): 
        print('User uploaded file "{name}" with length {length} bytes'.format(name=fn, length=len(uploaded[fn])))

如果沒有選擇文件的話，選擇上傳的文件。

只有在當(dāng)前瀏覽器會話中執(zhí)行了該單元格時，上傳部件才可用。請重新運行此單元，上傳文件 ??Hoppers Crossing-Hourly-River-Level.csv??，大小 2207036 字節(jié)。

完成后，我們就可以使用 ??sklearn?? 庫來訓(xùn)練我們的模型。為此，我們首先需要導(dǎo)入該庫和算法模型，如圖 1 所示。

Figure 1: Training the model

    from sklearn.linear_model import LinearRegression
    regressor = LinearRegression()
    regressor.fit(X_train, y_train)

完成后，我們就訓(xùn)練好了我們的模型，現(xiàn)在可以進行預(yù)測了，如圖 2 所示。

Figure 2: Making predictions

在 Java 中使用 ML 模型

我們現(xiàn)在需要做的是把 ML 模型轉(zhuǎn)換成一個可以被 Java 程序使用的模型。有一個叫做 ??sklearn2pmml?? 的庫可以幫助我們做到這一點：

    # Install the library
    pip install sklearn2pmml

庫安裝完畢后，我們就可以轉(zhuǎn)換我們已經(jīng)訓(xùn)練好的模型，

    sklearn2pmml(pipeline, ‘model.pmml’, with_repr = True)

這就完成了！我們現(xiàn)在可以在我們的 Java 代碼中使用生成的 ??model.pmml?? 文件來進行預(yù)測。請試一試吧！

（LCTT 譯注：Java 中有第三方庫 ??jpmml/jpmml-evaluator??，它能幫助你使用生成的 ??model.pmml?? 進行預(yù)測。）