Scikit-learn转PMML，跨平台推理指南

本文深入解析了将 Scikit-learn 模型可靠转换为 PMML 格式以实现跨平台（尤其是 Java 环境）部署的关键挑战与实战方案：从严格限制——仅支持原生 sklearn estimator 和符合 BaseEstimator/TransformerMixin 规范、仅调用 PMML 内置数学操作的自定义组件，到常见陷阱——如 FunctionTransformer 使用 lambda、第三方模型（CatBoost）、集成包装器（OneVsRestClassifier/VotingClassifier）导致导出失败；再到精准控制列名、类别标签、输出字段和缺失值处理等细节，手把手教你用 make_pmml_pipeline() 校验可序列化性、ContinuousDomain/CategoricalDomain 保留元信息、LinkedHashMap 保证输入顺序，并通过 JPMML 的 verify() 方法提前捕获数据格式错配问题——帮你避开“Invalid model type”“NaN 输出”“维度错乱”等生产级坑点，真正打通从 Python 训练到 Java 推理的全链路。

sklearn2pmml 能否直接转换 Pipeline 和自定义 Transformer？

不能直接转换所有类型，必须满足 PMML 规范对算子和数据流的限制。比如 FunctionTransformer 中用了闭包、lambda 或未注册的 numpy 函数，sklearn2pmml 会报 UnsupportedOperationError；Pipeline 里嵌套了非标准 estimator（如 catboost.CatBoostClassifier）也会失败。

实操建议：

• 只用 sklearn 原生 estimator（LogisticRegression、RandomForestClassifier、StandardScaler 等），避免混用第三方库组件
• 自定义 transformer 必须继承 BaseEstimator 和 TransformerMixin，且 fit/transform 方法只能调用 PMML 支持的数学操作（加减乘除、log、exp、clip，不支持 np.where、pd.cut）
• 用 sklearn2pmml.make_pmml_pipeline() 替代原生 Pipeline，它会校验每一步是否可序列化为 PMML

为什么 dump 出的 PMML 文件在 Java 端加载时报 “Invalid model type”？

常见原因是 sklearn 模型类型未被 sklearn2pmml 映射为合法 PMML 模型元素。例如：用 OneVsRestClassifier 包裹 SVC，生成的 PMML 根节点是 MulticlassClassificationModel，但 Java 的 JPMML-Evaluator 默认只认 RegressionModel 或 TreeModel 类型——SVC 本身不被 PMML 原生支持，所以整个模型被判定为非法。

实操建议：

• 优先选用 PMML 4.4+ 明确支持的模型：LinearRegression、LogisticRegression、DecisionTreeClassifier、RandomForestClassifier（注意：仅限 sklearn 0.22+ 的 RandomForestClassifier，旧版树结构导出不兼容）
• 避开集成类包装器：BaggingClassifier、VotingClassifier、CalibratedClassifierCV 均不可导出
• 检查生成的 PMML 文件根元素，确认是 PMML → RegressionModel 或 ClassificationModel，而非 Extension 包裹的私有结构

sklearn2pmml 导出时如何保留列名和类别标签？

默认情况下，sklearn2pmml 会丢弃 ColumnTransformer 的列名和 LabelEncoder 的 classes_，导致 Java 端输入字段名不匹配或预测结果无法映射回原始 label。

实操建议：

• 对数值型特征，用 sklearn2pmml.decoration.ContinuousDomain 显式声明字段名：

  from sklearn2pmml.decoration import ContinuousDomain
  ct = ColumnTransformer(
      transformers=[("num", Pipeline([("scale", StandardScaler())]), ["age", "income"])],
      remainder="passthrough"
  )
  # 在 Pipeline 中插入 Domain 装饰器
  pipeline = Pipeline([
      ("domain", ContinuousDomain(with_names=["age", "income"])),
      ("scale", StandardScaler())
  ])

• 对分类目标变量，不用 LabelEncoder，改用 sklearn.preprocessing.OrdinalEncoder 并设 handle_unknown="use_encoded_value"，再通过 sklearn2pmml.decoration.CategoricalDomain 绑定 values 参数
• 导出前调用 pmml_pipeline._target_name = "label" 显式指定输出字段名，否则默认为 prediction

Java 端加载 PMML 后 predict() 返回 NaN 或维度错乱

根本原因通常是输入数据格式与 PMML 中声明的 DataField 类型/顺序不一致。比如 PMML 写的是 optype="continuous" 但传入了字符串；或字段顺序是 [x1, x2, x3]，Java Map 却按 {x3=..., x1=..., x2=...} 提交。

实操建议：

• 用 org.jpmml.evaluator.ModelEvaluator 的 verify() 方法校验输入 schema，它会抛出具体哪一列类型不匹配
• Java 端必须用 LinkedHashMap 构造输入，保证 key 插入顺序与 PMML 中 DataDictionary 的 DataField 顺序严格一致
• 避免在 sklearn 训练时用 pandas.DataFrame 直接喂给 fit() —— 列顺序可能因 pandas 版本变动，应显式转为 numpy array + feature_names_in_ 固定顺序

最易被忽略的一点：PMML 不保存缺失值插补逻辑（如 SimpleImputer 的 fill_value），如果训练数据含 NaN 而又没在 pipeline 里做预处理，Java 端遇到 null 会直接中断计算。务必在导出前确认所有 NaN 已被显式填充或丢弃。

到这里，我们也就讲完了《Scikit-learn转PMML，跨平台推理指南》的内容了。个人认为，基础知识的学习和巩固，是为了更好的将其运用到项目中，欢迎关注golang学习网公众号，带你了解更多关于的知识点！