Driverless AI MOJO Scoring Pipeline - Python 및 R 래퍼를 사용한 C++ 런타임¶
C++ 스코어링 파이프라인은 protobuf 기반 MOJO2 프로토콜을 위한 R 및 Python 패키지로 제공됩니다. 패키지는 독립형이므로 추가 소프트웨어가 필요 없습니다. MOJO Scoring Pipeline이 빌드된 다음 선호하는 방법을 사용하십시오.
Notes:
이 스코어링 파이프라인은 현재 RuleFit 모델에 사용할 수 없습니다
MOJO Scoring Pipeline이 비활성화된 경우, Download MOJO Scoring Pipeline 버튼은 Build MOJO Scoring Pipeline 로 표시됩니다.
Reduce MOJO Size 상세 설정을 활성화하면, 실험을 빌드하는 동안 Driverless AI가 MOJO Scoring Pipeline의 크기 줄이기를 시도합니다. see 를 참조하십시오.
스코어링 파이프라인 런타임 다운로드¶
R 및 Python 패키지는 Driverless AI 애플리케이션 내에서 다운로드할 수 있습니다. 다운로드하려면 Resources 를 클릭한 다음 드롭 다운 메뉴에서 MOJO2 R Runtime 및 MOJO2 Py Runtime 을 클릭합니다. 팝업 메뉴가 나타나면, 사용 중인 OS에 해당하는 버튼을 클릭합니다. Linux 또는 IBM PowerPC를 선택합니다.
예제¶
다음 예시는 C++ MOJO 런타임의 R 및 Python API의 사용 방법을 보여줍니다.
전제 조건
Linux OS (x86 또는 PPC)
Driverless AI 라이선스(파일 또는 환경 변수)
Rcpp(>=1.0.0)data.table
Running the MOJO2 R Runtime
# Install the R MOJO runtime using one of the methods below
# Install the R MOJO runtime on PPC Linux
install.packages("./daimojo_2.5.15_ppc64le-linux.tar.gz")
# Install the R MOJO runtime on x86 Linux
install.packages("./daimojo_2.5.15_x86_64-linux.tar.gz")
# Load the MOJO
library(daimojo)
m <- load.mojo("./mojo-pipeline/pipeline.mojo")
# retrieve the creation time of the MOJO
create.time(m)
## [1] "2019-11-18 22:00:24 UTC"
# retrieve the UUID of the experiment
uuid(m)
## [1] "65875c15-943a-4bc0-a162-b8984fe8e50d"
# Load data and make predictions
col_class <- setNames(feature.types(m), feature.names(m)) # column names and types
library(data.table)
d <- fread("./mojo-pipeline/example.csv", colClasses=col_class, header=TRUE, sep=",")
predict(m, d)
## label.B label.M
## 1 0.08287659 0.91712341
## 2 0.77655075 0.22344925
## 3 0.58438434 0.41561566
## 4 0.10570505 0.89429495
## 5 0.01685609 0.98314391
## 6 0.23656610 0.76343390
## 7 0.17410333 0.82589667
## 8 0.10157948 0.89842052
## 9 0.13546191 0.86453809
## 10 0.94778244 0.05221756
전제 조건
Linux OS (x86 또는 PPC)
Driverless AI 라이선스(파일 또는 환경 변수)
Python 3.6
datatable. 다음을 실행하여 설치합니다.
# Install on Linux PPC or Linux x86 pip install datatableprotobuf의 넌바이너리 버전:
pip install --no-binary=protobuf protobuf
Python MOJO 런타임. GUI에서 다운로드한 후 다음 명령 중 하나를 실행하십시오.
# Install the MOJO runtime on Linux PPC pip install daimojo-2.5.15-cp36-cp36m-linux_ppc64le.whl # Install the MOJO runtime on Linux x86 pip install daimojo-2.5.15-cp36-cp36m-linux_x86_64.whl
Running the MOJO2 Python Runtime
# import the daimojo model package
import daimojo.model
# specify the location of the MOJO
m = daimojo.model("./mojo-pipeline/pipeline.mojo")
# retrieve the creation time of the MOJO
m.created_time
# 'Mon November 18 14:00:24 2019'
# retrieve the UUID of the experiment
m.uuid
# retrieve a list of missing values
m.missing_values
# ['',
# '?',
# 'None',
# 'nan',
# 'NA',
# 'N/A',
# 'unknown',
# 'inf',
# '-inf',
# '1.7976931348623157e+308',
# '-1.7976931348623157e+308']
# retrieve the feature names
m.feature_names
# ['clump_thickness',
# 'uniformity_cell_size',
# 'uniformity_cell_shape',
# 'marginal_adhesion',
# 'single_epithelial_cell_size',
# 'bare_nuclei',
# 'bland_chromatin',
# 'normal_nucleoli',
# 'mitoses']
# retrieve the feature types
m.feature_types
# ['float32',
# 'float32',
# 'float32',
# 'float32',
# 'float32',
# 'float32',
# 'float32',
# 'float32',
# 'float32']
# retrieve the output names
m.output_names
# ['label.B', 'label.M']
# retrieve the output types
m.output_types
# ['float64', 'float64']
# import the datatable module
import datatable as dt
# parse the example.csv file
pydt = dt.fread("./mojo-pipeline/example.csv", na_strings=m.missing_values, header=True, sep=',')
pydt
# clump_thickness uniformity_cell_size uniformity_cell_shape marginal_adhesion single_epithelial_cell_size bare_nuclei bland_chromatin normal_nucleoli mitoses
# 0 8 1 3 10 6 6 9 1 1
# 1 2 1 2 2 5 3 4 8 8
# 2 1 1 1 9 4 10 3 5 4
# 3 2 6 9 10 4 8 1 1 3
# 4 10 10 8 1 8 3 6 3 4
# 5 1 8 4 5 10 1 2 5 3
# 6 2 10 2 9 1 2 9 3 8
# 7 2 8 9 2 10 10 3 5 4
# 8 6 3 8 5 2 3 5 3 4
# 9 4 2 2 8 1 2 8 9 1
# [10 rows × 9 columns]
# retrieve the column types
pydt.stypes
# (stype.float64,
# stype.float64,
# stype.float64,
# stype.float64,
# stype.float64,
# stype.float64,
# stype.float64,
# stype.float64,
# stype.float64)
# make predictions on the example.csv file
res = m.predict(pydt)
# retrieve the predictions
res
# label.B label.M
# 0 0.0828766 0.917123
# 1 0.776551 0.223449
# 2 0.584384 0.415616
# 3 0.105705 0.894295
# 4 0.0168561 0.983144
# 5 0.236566 0.763434
# 6 0.174103 0.825897
# 7 0.101579 0.898421
# 8 0.135462 0.864538
# 9 0.947782 0.0522176
# [10 rows × 2 columns]
# retrieve the prediction column names
res.names
# ('label.B', 'label.M')
# retrieve the prediction column types
res.stypes
# (stype.float64, stype.float64)
# convert datatable results to common data types
# res.to_pandas() # need pandas
# res.to_numpy() # need numpy
res.to_list()