机器学习基本上是人工智能的一个子集，它使用以前存在的数据对新数据进行预测。
当然，现在我们所有人都知道这个道理了！这篇文章展示了如何将 python 中开发的机器学习模型作为 java 代码的一部分来进行预测。
本文假设你熟悉基本的开发技巧并理解机器学习。我们将从训练我们的模型开始，然后在 python 中制作一个机器学习模型。
我以一个洪水预测模型为例。首先，导入以下库：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
当我们成功地导入了这些库，我们就需要输入数据集，如下面的代码所示。为了预测洪水，我使用的是河流水位数据集。
from google.colab import files
uploaded = files.upload()
for fn in uploaded.keys():
print('user uploaded file {name} with length {length} bytes'.format(name=fn, length=len(uploaded[fn])))
如果没有选择文件的话，选择上传的文件。
只有在当前浏览器会话中执行了该单元格时，上传部件才可用。请重新运行此单元，上传文件 ​​hoppers crossing-hourly-river-level.csv​​，大小 2207036 字节。
完成后，我们就可以使用 ​​sklearn​​ 库来训练我们的模型。为此，我们首先需要导入该库和算法模型，如图 1 所示。
figure 1: training the model
from sklearn.linear_model import linearregression
regressor = linearregression()
regressor.fit(x_train, y_train)
完成后，我们就训练好了我们的模型，现在可以进行预测了，如图 2 所示。
figure 2: making predictions
在 java 中使用 ml 模型我们现在需要做的是把 ml 模型转换成一个可以被 java 程序使用的模型。有一个叫做 ​​sklearn2pmml​​ 的库可以帮助我们做到这一点：
# install the library
pip install sklearn2pmml
库安装完毕后，我们就可以转换我们已经训练好的模型，
sklearn2pmml(pipeline, ‘model.pmml’, with_repr = true)
这就完成了！我们现在可以在我们的 java 代码中使用生成的 ​​model.pmml​​ 文件来进行预测。请试一试吧！
（lctt 译注：java 中有第三方库 ​​jpmml/jpmml-evaluator​​，它能帮助你使用生成的 ​​model.pmml​​ 进行预测。）
以上就是机器学习：使用 python 进行预测的详细内容。