Python之nyoka：nyoka庫函數的簡介、安裝、使用方法之詳細攻略

?

?

?

?

?

目錄

nyoka庫函數的簡介

1、Nyoka的核心模塊

2、模型

(1)、基礎模型

(2)、LightGBM:

(3)、XGBoost (version <= 0.90):

(4)、Statsmodels (version <= 0.11.1):

3、預處理

nyoka庫函數的安裝

nyoka庫函數的使用方法

1、Nyoka為每個庫包含獨立的導出程序，例如scikit-learn、keras、xgboost等。

2、基于StandardScaler的決策樹分類器案例

3、LGBMClassifier → PMML

4、基于nyoka庫利用LGBMClassifier模型實現對iris數據集訓練、保存為pmml模型并重新載入pmml模型進而實現推理

---

?

?

?

?

nyoka庫函數的簡介

? ? ?Nyoka是一個全面支持最新PMML (PMML 4.4)標準的Python庫。使用Nyoka,數據科學家可以出口大量的機器學習和深度學習從流行的Python框架PMML模型通過使用任何眾多包括現成的出口商或通過創建自己的專業出口商/個人模型類型通過構造函數的調用序列。
? ? ?除了大約500 Python類,每個封面PMML標簽和所有構造函數參數/屬性中定義的標準,Nyoka還提供了越來越多的方便的類和函數,簡化數據科學家的生活例如通過閱讀或編寫任何PMML文件在一行代碼中你最喜歡的Python環境。
? ? ?Nyoka提供了完整的Python源代碼，擴展的HTML類/函數文檔，以及越來越多的Jupyter筆記本教程，幫助您熟悉Nyoka支持您使用PMML作為您最喜歡的數據科學傳輸文件格式的方式。

Nyoka文檔：https://softwareag.github.io/nyoka/

?

1、Nyoka的核心模塊

• Statsmodels Exporter Module
• Keras Exporter Module
• RetinaNet Exporter Module
• LightGBM Exporter Module
• Pre-Processing Exporter Module
• Scikit-Learn Exporter Module
• XGBoost Exporter Module
• ExponentialSmoothing Exporter Module
• Nyoka's Pre-Processing Module
• Enums Module

?

2、模型

(1)、基礎模型

• linear_model.LinearRegression
• linear_model.LogisticRegression
• linear_model.RidgeClassifier
• linear_model.SGDClassifier
• discriminant_analysis.LinearDiscriminantAnalysis
• tree.DecisionTreeClassifier
• tree.DecisionTreeRegressor
• svm.SVC
• svm.SVR
• svm.LinearSVC
• svm.LinearSVR
• svm.OneClassSVM
• naive_bayes.GaussianNB
• ensemble.RandomForestRegressor
• ensemble.RandomForestClassifier
• ensemble.GradientBoostingRegressor
• ensemble.GradientBoostingClassifier
• ensemble.IsolationForest
• neural_network.MLPClassifier
• neural_network.MLPRegressor
• neighbors.KNeighborsClassifier
• neighbors.KNeighborsRegressor
• cluster.KMeans

(2)、LightGBM:

• LGBMClassifier
• LGBMRegressor

(3)、XGBoost (version <= 0.90):

• XGBClassifier
• XGBRegressor

(4)、Statsmodels (version <= 0.11.1):

• tsa.arima_model.ARIMA
• tsa.arima.model.ARIMA?(In statespace form)
• tsa.statespace.SARIMAX
• tsa.statespace.VARMAX
• tsa.statespace.ExponentialSmoothing

?

?

?

3、預處理

• preprocessing.StandardScaler
• preprocessing.MinMaxScaler
• preprocessing.RobustScaler
• preprocessing.MaxAbsScaler
• preprocessing.LabelEncoder
• preprocessing.Imputer
• preprocessing.Binarizer
• preprocessing.PolynomialFeatures
• preprocessing.LabelBinarizer
• preprocessing.OneHotEncoder
• feature_extraction.text.TfidfVectorizer
• feature_extraction.text.CountVectorizer
• decomposition.PCA
• sklearn_pandas.CategoricalImputer?( From?sklearn_pandas?library )

?

?

?

?

nyoka庫函數的安裝

pip install nyoka
pip install --user -i https://pypi.tuna.tsinghua.edu.cn/simple nyoka

?

?

?

?

nyoka庫函數的使用方法

1、Nyoka為每個庫包含獨立的導出程序，例如scikit-learn、keras、xgboost等。

libraryexporter

scikit-learn	skl_to_pmml
xgboost	xgboost_to_pmml
lightgbm	lgbm_to_pmml
keras	KerasToPmml
statsmodels	StatsmodelsToPmml & ExponentialSmoothingToPmml
retinanet	RetinanetToPmml

?

2、基于StandardScaler的決策樹分類器案例

?from sklearn.pipeline import Pipelinefrom sklearn.tree import DecisionTreeClassifierfrom sklearn.preprocessing import StandardScalerpipeline_obj = Pipeline([("scaler",StandardScaler()),("model",DecisionTreeClassifier())])from sklearn.dataset import load_irisiris_data = load_iris()X = iris_data.datay = iris_data.targetfeatures = iris_data.feature_namespipeline_obj.fit(X,y)from nyoka import skl_to_pmmlskl_to_pmml(pipeline=pipeline_obj,col_names=features,target_name="species",pmml_f_name="decision_tree.pmml")

?

?

?

3、LGBMClassifier → PMML

import pandas as pd from sklearn import datasets from sklearn.pipeline import Pipeline from lightgbm import LGBMRegressor,LGBMClassifier from nyoka import lgb_to_pmmliris = datasets.load_iris() irisd = pd.DataFrame(iris.data,columns=iris.feature_names)target = 'Species' irisd[target] = iris.target features = irisd.columns.drop(target)#保存模型 pipeline_obj = Pipeline([ ('lgbmc',LGBMClassifier())]) pipeline_obj.fit(irisd[features],irisd[target]) lgb_to_pmml(pipeline_obj,features,target,"lgbmc_pmml.pmml")#讀入數據進行測試 auto = pd.read_csv('auto-mpg.csv') X = auto.drop(['mpg','car name'], axis=1) y = auto['mpg']feature_names = [name for name in auto.columns if name not in ('mpg','car name')] target_name='mpg'pipeline_obj = Pipeline([ ('lgbmr',LGBMRegressor()) ]) pipeline_obj.fit(auto[feature_names],auto[target_name]) lgb_to_pmml(pipeline_obj,feature_names,target_name,"lgbmr_pmml.pmml")

?

4、基于nyoka庫利用LGBMClassifier模型實現對iris數據集訓練、保存為pmml模型并重新載入pmml模型進而實現推理

ML之nyoka：基于nyoka庫利用LGBMClassifier模型實現對iris數據集訓練、保存為pmml模型并重新載入pmml模型進而實現推理

?

?

?

?

?

?

?

?

?

?

總結

以上是生活随笔為你收集整理的Python之nyoka：nyoka库函数的简介、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。