当前机器学习的应用已经日益广泛,但是在机器学习模型的应用过程中,也逐步暴露了一 些人员技能和衔接上的问题，为了更好的解决这些问题，特开发了本 EPPDEV-MLIB 分布式模 型部署平台，实现了常用机器学习模型的固化、加载和实时运算，以便于后续模型的落地。

• 平台建设的详细背景及优劣时说明参见：背景说明

平台及与JavaEE/MySQL数据库开发，一般建议安装在64位企业级Linux操作系统上（如CentOS7+, Ubuntu Server LTS等）， 系统提供全自动的安装脚本，通过简单的命令即可完成平台的安装。

• 详细的环境需求和典型安装部署环境详见：EPPDEV-MLIB平台部署环境需求
• 详细的安装流程请参见：EPPDEV-MLIB系统安装说明

EPPDEV-MLIB平台的注册中心提供WEB前端界面，实现基础的用户管理、模型发布和各个组件的调用量展示功能：

• 用户管理，主要实现访问注册中心进行模型发布的用户的管理，详见：用户管理功能使用说明
• 模型发布，主要实现模型的创建及其在执行引擎中的发布功能，详见：模型部署与更新
• 状态监控：主要实现各个组件运行状态和分模型、执行引擎的调用量的展示功能，详见：运行状态监控

模型计算支持以下三种方式进行调用：

• 实时接口方式，通过Rest API进行模型调用，详见：实时接口调用
• 批量计算方式，通过批处理任务进行模型调用，详见：批量数据接口调用
• udf方式，通过hive的udf进行模型计算调用，详见：HIVE UDF方式进行调用

为支持基于EPPDEV-MLIB的模型部署，整个数据预处理、特征选择、模型训练,建议全部封装到 PMMLPipeline 中, 从而实现所有处理过程均可保存到pmml文件中。

数据预处理一般全部通过 DataFrameMapper完成封装，以支持处理过程的保存,和程序代码 的可读性

• 基础代码参见： 建模基础示例代码
• 常用的数据预处理代码示例：
  • 空值填充参见：使用SimleImputer进行空值填充
  • 连续数据分段方式参见：使用CutTransformer进行分段
  • 离散数据分组参见：使用ReplaceTransformer进行连续数据分段
  • 多值变量处理参见：多值变量数据的处理
• 常见问题解决参见：常见问题处理

• Python模型发布SDK示例