r - 如何为 mlr predict 编写预测函数以在 AzureML 中作为 Web 服务上传？

Question

我正在尝试将 AzureML 中的 R 模型作为 web 服务上传，模型使用 R 中的 mlr 包及其预测函数，mlr predict 的输出是“PredictionClassif”“Prediction”的表，用于线性模型，如我使用的回归

PredictAction <- function(inputdata){
  predict(RegModel, inputdata, type="response")
}

这在 Azure 中运行良好。

当我使用 mlr 包进行具有预测类型概率的分类时，我必须编写的预测函数为，

PredictAction <- function(inputdata){
  require(mlr)
  predict(randomForest,newdata=inputdata)
}

调用函数时

publishWebService(ws, fun, name, inputSchema)

它产生一个错误

converting `inputSchema` to data frame
Error in convertArgsToAMLschema(lapply(x, class)) : 
  Error: data type "table" not supported

因为 predict 函数会生成一个我不知道如何转换或修改的表，所以我给出了输出模式

publishWebService(ws, fun, name, inputSchema,outputschema)

我不确定如何指定输出模式https://cran.r-project.org/web/packages/AzureML/AzureML.pdf

outputschema 是一个列表，来自 mlr 的预测函数产生类的输出

class(pred_randomForest)
"PredictionClassif" "Prediction"

并且数据输出是一个数据帧

class(pred_randomForest$data)
"data.frame"

我正在寻求有关 publishWebService 函数中输出模式语法的帮助，或者我是否必须添加该函数的任何其他参数。不确定问题出在哪里，AzureML 是否无法读取包装好的模型，或者 mlr 的预测函数是否在 AzureML 中正确执行。

在 AzureML 中出现以下错误

Execute R Script Piped (RPackage) : The following error occurred during evaluation of R script: R_tryEval: return error: Error in UseMethod("predict") : no applicable method for 'predict' applied to an object of class "c('FilterModel', 'BaseWrapperModel', 'WrappedModel')" 

标签： razure-machine-learning-studiomlr

Answer 1

这是在 R 中使用 XGBoost 库的示例：

library("xgboost") # the main algorithm
##Load the Azure workspace. You can find the ID and the pass in your workspace
ws <- workspace(
id = "Your workspace ID",
auth = "Your Auth Pass"
)
##Download the dataset
dataset <- download.datasets(ws, name = "Breast cancer data", quote="\"")
## split the dataset to get train and score data
## 75% of the sample size
smp_size <- floor(0.75 * nrow(dataset))
## set the seed to make your partition reproductible
set.seed(123)
## get index to split the dataset
train_ind <- sample(seq_len(nrow(dataset)), size = smp_size)
##Split train and test data
train_dataset <- dataset[train_ind, ]
test_dataset <- dataset[-train_ind, ]
#Get the features columns
features<-train_dataset[ , ! colnames(train_dataset) %in% c("Class") ]
#get the label column
labelCol <-train_dataset[,c("Class")]
#convert to data matrix
test_gboost<-data.matrix(test_dataset)
train_gboost<-data.matrix(train_dataset)
#train model
bst <- xgboost(data = train_gboost, label = train_dataset$Class, max.depth = 2, eta = 1,
nround = 2, objective = "binary:logistic")
#predict the model
pred <- predict(bst,test_gboost )
#Score model
test_dataset$Scorelabel<-pred
test_dataset$Scoreclasses<- as.factor(as.numeric(pred >= 0.5))
#Create
# Scoring Function
predict_xgboost <- function(new_data){
predictions <- predict(bst, data.matrix(new_data))
output <- data.frame(new_data, ScoredLabels =predictions)
output
}
#Publish the score function
api <- publishWebService(
ws,
fun = predict_xgboost,
name = "xgboost classification",
inputSchema = as.data.frame(as.table(train_gboost)),
data.frame = TRUE)