以莺尾花数据集为例，探讨R模型部署之道

作者：数据栗子，资深数据分析师，擅长数据挖掘，可视化，机器学习! 团队公众号：数据取经团（ID:zlx19930503），欢迎大家关注！

内容概要：

1、iris数据集简介

2、R模型部署的可能方案

3、H2o.ai框架及pojo/mojo模型部署

正式内容：

iris data set简介

Iris数据集是常用的分类实验数据集，由Fisher, 1936收集整理。Iris也称鸢尾花卉数据集，是一类多重变量分析的数据集。数据集包含150个数据集，分为3类，每类50个数据，每个数据包含4个属性。可通过花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性预测鸢尾花卉属于（Setosa，Versicolour，Virginica）三个种类中的哪一类。

数据集链接：http://archive.ics.uci.edu/ml/datasets/Iris

图片来源：

https://en.wikipedia.org/wiki/Iris_flower_data_set

R模型部署的可能方案 

R语言模型部署的相关内容网络或者书籍上介绍的比较少，博主在一段时间摸索后对自己了解的可能方案进行如下归纳，仅供参考：

部署方式	涉及的包及工具	简介
Mojo/Pojo	H2O	H2O可以将训练好的model转换为Plain Old Java Object (POJO) or a Model ObJect, Optimized (MOJO)，从而很容易嵌入java环境中。仅需通过提供的h2o-genmodel.jar生成相应的war包即可。
web  API	pumber包	Turn your R code into a web API https://www.rplumber.io，而且还可以通过PM2/ Docker等方式实现服务托管
PMML	r2pmml包	R package for converting R models to PMML，然后用java调用pmml进行部署

H2o.ai框架及pojo/mojo模型部署

H2o.ai为开源的AI平台（Open Source AI Platform），提供了R、python、h2oflow等作为前端的机器学习建模平台，支持的算法有：监督学习（GLM、GBM、Deep Learning、Distributed Random Forest、Naive Bayes、Stacked Ensembles），非监督学习（GLRM、K-Means、PCA）以及Word2vec模型。

H2o.ai模型的部署方式

训练分类模型（GBM）=>model输出为pojo格式 =>pojo转换为war包 =>jetty容器运行war包 =>api服务

---

• 使用h2o+R训练GBM分类器

#加载包
library(h2o)
#h2o环境初始化
h2o.init()
fr <- as.h2o(iris)
my_model <- h2o.gbm(x=1:4,y=5,training_frame=fr)
h2o.download_pojo(my_model,getwd())
h2o.shutdown()

---

• 构建H2O预测服务器

a.准备工作：

Java 1.6、rJava、jetty-runner环境的安装，Linux/ Mac OSX系统

b.build the H2O Prediction Service Builder:

1. 克隆steam文件git clone https://github.com/h2oai/steam

2. 打开一个terminal窗口，进到steam/prediction-service-builder目录下

3. Run ./gradlew build 来构建服务

4. 出现BUILD SUCCESSFUL message之后，Run ./gradlew jettyRunWar 来运行builder service

5. 打开浏览器，输入localhost:55000，出现模型builder界面，选择                           GBM_model_R_XXX.java/h2o-genmodel.jar包（上一步生成的文件），此时会生成一个war，保存（拷贝到~/steam/prediction-service-builder目录下）以便下一步使用。

---

• Run the Builder Service

新开一个一个terminal窗口，进到~/steam/prediction-service-builder目录下，运行：java -jar jetty-runner-9.3.9.M1.jar --port 55001 ~/GBM_model_R_1500467395689_54.war

浏览器输入http://localhost:55001，进入预测界面：

输入相关参数，点击predict，页面右侧就出现了预测结果：分属于每一个类别的概率。

同时，还可以点击箭头按钮，弹出api网址，通过传递参数，即可得到json格式的预测结果：

参考文档：

https://github.com/h2oai/steam/tree/master/prediction-service-builder

PS：

本次只对mojo/pojo的方式进行了阐述，后期会对其他两种方式进行探讨，敬请期待。