关于机器学习:如何轻松上手-Alink-LocalPredictor

机器学习训练算法比较复杂，往往须要分布式进行，然而训练进去的模型进行预测绝对简略很多，个别是单个节点装载整个模型，能够同时有多个预测节点，每个都装载整个模型，从而进行多路预测。很多不依赖模型的数据预处理算法也是这种模式，单个节点能够进行残缺的操作，多个节点能够并行处理。

应用咱们的算法组件间接对批式的数据或者流式的数据进行预测，用户也心愿咱们能提供 SDK 的形式，即，由参数或模型数据间接构建一个本地的 java 实例，咱们称之为 LocalPredictor，能够对单条数据进行预测。这样的话，预测不再必须由 Flink 工作实现，能够嵌入到提供 RestAPI 的预测服务零碎，或者嵌入到用户的业务零碎里。

本文将以中文情感剖析场景为例，介绍 Alink LocalPredictor 的具体应用办法。对于如何建设 Pipeline 及训练出 PipelineModel，读者能够参阅上面这篇文章：

如何应用 Alink 进行中文情感剖析？

在下面的示例中，模型训练实现后间接用之进行预测，在一个工作中实现，没有进行模型保留。咱们须要进行模型保留操作，以便在另一利用中的 LocalPredictor 加载此模型。Alink PipelineModel 提供了简略的保留办法，提供文件门路，运行 save 办法即可。留神，save 办法是将模型连贯到了 sink 组件，还须要等到 BatchOperator.execute()，才会真正写出模型。

Java 代码如下：

model.save("/Users/yangxu/alink/temp/sentiment_hotel_model.csv");

BatchOperator.execute();

Python 代码如下：

model.save("/Users/yangxu/alink/temp/sentiment_hotel_model.csv")

BatchOperator.execute()

有了存储好的模型，上面进入本文的主题，如何构建 LocalPredictor？

通过 PipelineModel 的 load 办法，加载模型数据，失去 loadedModel，而后，调用 getLocalPredictor 办法失去 LocalPredictor 的实例。

PipelineModel loadedModel = PipelineModel.load("/Users/yangxu/alink/temp/sentiment_hotel_model.csv");

LocalPredictor localPredictor = loadedModel.getLocalPredictor("review string");

留神：因为待预测的数据也是 Row 类型，还须要阐明数据列的 schema 状况，即输出一个 Alink Schema String 格局的参数。这里的参数为 ”review string”。

至此，曾经构建了 LocalPredictor。在介绍如何用其进行预测前，在深刻理解一下 LocalPredictor，其输出的数据是 Row 格局，其输入后果也是 Row 格局，即，会蕴含多列的信息。应用 getOutputSchema() 办法，能够失去预测后果的 schema 信息。对于咱们刚构建的 localPredictor，应用该办法并打印显示。

System.out.print(localPredictor.getOutputSchema());

运行后果为：

root
 |-- review: STRING
 |-- featureText: STRING
 |-- featureVector: LEGACY(GenericType<com.alibaba.alink.common.linalg.SparseVector>)
 |-- pred: INT

能够看出，其预测输入共 4 列，最要害的分类预测后果列“pred”在最初。

localPredictor 应用 map() 办法用来进行预测，具体代码如下：

Row[] rows = new Row[] {Row.of("不错，在等同品位酒店中应该是值得举荐的！"),
  Row.of("房间感觉还能够，然而洗漱用的毛巾浴巾品质不好，感觉没有洗洁净，房间隔音成果不好"),
  Row.of("服务态度机械，表情生硬，治理不人性化，晚退 10 分钟房就加收半天房费"),
  Row.of("酒店位子不好找外, 前台服务还需进步. 其它还不错.")
};

for (Row row : rows) {System.out.print(localPredictor.map(row).getField(3));
  System.out.print("\t");
  System.out.println(row);
}

计算结果为：

1  不错，在等同品位酒店中应该是值得举荐的！0  房间感觉还能够，然而洗漱用的毛巾浴巾品质不好，感觉没有洗洁净，房间隔音成果不好
0  服务态度机械，表情生硬，治理不人性化，晚退 10 分钟房就加收半天房费
1  酒店位子不好找外, 前台服务还需进步. 其它还不错.

以上。Alink 是基于 Flink 的机器学习算法平台，欢送拜访 Alink 的 GitHub 获取下载链接及更多信息。也欢送退出 Alink 开源用户群进行交换～

Alink GitHub 链接：
https://github.com/alibaba/Alink

▼ 钉钉扫码退出 Alink 技术交换群 ▼