https://segmentfault.com/a/1190000039650763

1.简述

PMML全称预言模型标记模型（Predictive Model Markup Language），以XML 为载体呈现数据挖掘模型。PMML 允许您在不同的应用程序之间轻松共享预测分析模型。因此，您可以在一个系统中定型一个模型，在 PMML 中对其进行表达，然后将其移动到另一个系统中，而不需考虑分析和预测过程中的具体实现细节。使得模型的部署摆脱了模型开发和产品整合的束缚。
通俗的讲，我有一个决策树模型，使用效果不错，那么就可以把树的结构（节点间的父子关系，节点内的丰富信息等）序列化为PMML文件，共享给其他人使用。这样无论你的模型是sklearn还是SparkMLib生成的，我们都可以将其转换为标准的XML格式来存储。当我们需要将这个PMML的模型用于部署的时候，可以使用目标环境的解析PMML模型的库来将在模型并作预测。

当训练和预测使用同一种开发语言的时候，PMML 就没有必要使用了，因为任何中间格式都会牺牲掉独有的优化。本文介绍的内容是采用Python语言做模型训练，线上采用 Java 载入模型做预测。在模型训练端，分别介绍了 python sk-learn 和 xgboost 训练模型。

2. 主要结构

PMML文件的结构遵从了用于构建预测解决方案的常用步骤，包括：
数据词典 ：
这是一种数据分析阶段的产品，可以识别和定义哪些输入数据字段对于解决眼前的问题是最有用的。这可以包括数值，顺序和分类字段。
挖掘架构 ：
定义了处理缺少值和离群值的策略。这非常有用，因为通常情况，当将模型应用于实践时，所需的输入数据字段可能为空或者被误呈现。
数据转换 ：
定义了将原始输入数据预处理至派生字段所需的计算。派生字段（有时也称为特征检测器）对输入字段进行合并或修改，以获取更多相关信息。例如，为了预测停车所需的制动压力，一个预测模型可能将室外温度和水的存在（是否在下雨？）作为原始数据。派生字段可能会将这两个字段结合起来，以探测路上是否结冰。然后结冰字段被作为模型的直接输入来预测停车所需的制动压力。
模型定义 ：
定义了用于构建模型的结构和参数。PMML涵盖了多种统计技术。例如，为了呈现一个神经网络，它定义了所有的神经层和神经元之间的连接权重，对于一个决策树来说，它定义了所有树节点及简单和复合谓语。
输出 ：
定义了预期模型输出。对于一个分类任务来说，输出可以包括预测类及与所有可能类相关的概率。
目标 ：
定义了应用于模型输出的后处理步骤。对于一个回归任务来说，此步骤支持将输出转变为人们很容易就可以理解的分数（预测结果）。
模型解释 ：
定义了将测试数据传递至模型时获得的性能度量标准（与训练数据相对）。这些度量标准包括字段相关性、混淆矩阵、增益图及接收者操作特征（ROC）曲线图。
模型验证 ：
定义了一个包含输入数据记录和预期模型输出的示例集。这是非常重要的一个步骤，因为在应用程序之间移动模型时，该模型需要通过匹配测试。这样就可以确保，在呈现相同的输入时，新系统可以生成与旧系统同样的输出。 如果实际情况是这样的话，一个模型将被认为经过了验证，且随时可用于实践。

  1. <?xml version="1.0"?>
  2. <PMML version="4.3"
  3.       xmlns="http://www.dmg.org/PMML-4_3"
  4.       xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance">
  6.   <Header copyright="Example.com"/>
  7.   <DataDictionary> ... </DataDictionary>
  9.   ... a model ...
  11. </PMML>