Driverless AI MOJO 评分管道 – 带有 Python 和 R 包装器 C++ 运行时

C++ 评分包将作为 R 和 Python 包提供,用于基于 Protobuf 的 MOJO2 协议。这些包是独立的,不需要额外安装软件。在构建 MOJO 评分管道后,即可立即使用您首选的方法。

请注意

  • 这些评分管道目前不可用于 RuleFit 模型。

  • 如果 MOJO 评分管道被禁用,则 下载 MOJO 评分管道 按钮会显示为 构建 MOJO 评分管道

  • 您可以尝试使用 Driverless AI,以通过启用 Reduce MOJO Size 专家设置和 see,在构建实验时减小 MOJO 评分管道 。

下载评分管道运行时

可在 Driverless AI 应用程序内下载 R 和 Python 包。为此,可在下拉菜单中依次点击 资源MOJO2 R 运行时MOJO2 Py 运行时

示例

以下示例展示了如何使用 C++ MOJO 运行时的 R 和 Python API。

先决条件

  • Linux OS (x86 或 PPC)

  • Driverless AI 许可证(文件或环境变量)

  • Rcpp (>=1.0.0)

  • data.table

运行 MOJO2 R 运行时

 # Install the R MOJO runtime using one of the methods below

 # Install the R MOJO runtime on PPC Linux
 install.packages("./daimojo_2.7.5_ppc64le-linux.tar.gz")

 # Install the R MOJO runtime on x86 Linux
 install.packages("./daimojo_2.7.5_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