如何将训练好的模型导入决策流

准备模型

将训练好的模型导入 Decisimo 前,需要先把它保存为文件。在 Python 中,通常要用 pickle 序列化拟合后的模型。假设模型存放在名为 model 的变量中,可以这样写入文件:

import pickle
with open(r'model.pkl', 'wb') as f:
    pickle.dump(model, f)

保存后的文件需要上传到平台。文件准备好后,就可以将模型导入决策流。

在 Decisimo 中,模型是整体决策逻辑的一部分,不会作为独立组件运行。平台调用模型并接收输出,再将输出传给决策流的下一个环节。

引擎的调用方式

模型运行时,引擎会执行类似下面的代码:

prediction = model.predict_proba(data)
prediction = prediction.tolist()
return jsonify(prediction)

如果需要输出概率,模型必须支持 predict_proba。引擎会按您预先定义的字段组成数组并传入模型,字段顺序必须符合模型的要求。

字段顺序不正确,预测可能失败。数据类型不正确,预测也可能失败。如果模型无法处理传入的值,决策流就会停止。因此,上线前要先做好准备。

导入模型

创建 pickle 文件后,Decisimo 会显示导入界面。您可以在界面中设置运行环境和模型输入。

1. 选择 Python 版本

先选择训练模型或将模型序列化时使用的 Python 版本。运行环境应符合模型的要求。如果版本不匹配,依赖包可能无法正常工作,模型也可能无法加载。

2. 指定所需的库

接下来,列出模型所需的库。清单中可能包括 scikit-learn、pandas、numpy,也可能包括模型依赖的其他软件包。Decisimo 会根据这份清单准备运行环境。

3. 映射输入变量

然后定义用于预测的输入变量。变量顺序要与模型要求完全一致,并为每个变量设置正确的数据类型。

  • 顺序要正确。模型会按位置读取输入数组中的值。
  • 数据类型要匹配。字符串、整数、浮点数和布尔值都要符合模型的数据结构。
  • 字段映射要准确。每个变量都要对应数据对象中的正确字段。

执行时,Decisimo 会从数据对象中读取选定字段,将值转换为指定的数据类型,再传给模型进行预测。

输入映射为何必须准确

导入模型不只是上传文件,也需要约定模型与决策流之间的输入结构。模型要求固定的输入格式,平台会根据您映射的字段生成相应结构。

输入层不匹配可能导致整个决策流中断。数值字段如果以文本形式传入,转换可能失败。缺少字段可能导致执行停止。字段顺序改变后,即使模型正常运行,预测结果也可能出错。

因此,确定性决策逻辑依赖严格的输入定义。模型每次接收的数据结构都必须相同。这样便于追查决策依据、重复执行,模型输出也有明确预期。

保存模型并准备运行环境

点击 Save model 后,系统会开始准备运行环境。这个过程可能需要一分钟。Decisimo 会按所选 Python 版本配置运行环境,导入所需的库,并加载模型文件。

环境准备好后,就可以在决策流中使用模型。您可以运行测试输入,检查输出是否符合预期。

这项测试可以确认输入映射是否正确、模型能否正常加载,以及返回的预测结果是否适用于决策流的下一个环节。

上线前测试模型

不要跳过测试。模型在 notebook 中可以运行,但如果运行环境、导入的库或字段映射不同,在决策引擎中仍可能失败。

使用能代表实际生产数据的测试值,并确认以下内容:

  • 模型能够正常加载,
  • 输入值已转换为正确的数据类型,
  • 预测结果的格式符合预期,
  • 决策流的后续环节能够使用该结果。

如果模型返回概率,要确认后续环节能够使用这些值。如果决策流需要阈值,要确认模型输出可以用于相应规则。如果决策流依赖多个输出,还要检查响应结构是否稳定。

将这些审核规则纳入决策流

制定信贷、反欺诈或催收规则,并用于实际决策。

常见问题

大多数导入问题都来自少数几类原因。保存模型前,可以逐项检查以下内容。

  • 版本不匹配:Python 运行环境与模型环境不一致。
  • 缺少库:导入时没有列出所需的包。
  • 输入顺序错误:变量顺序与训练时使用的顺序不一致。
  • 数据类型不正确:平台无法按预期转换输入值。
  • 输出结构不符:模型返回的数据格式无法用于决策流。

这些属于运行层面的问题,不涉及模型科学。模型本身可能表现良好,但接口有误仍会导致集成失败。

模型如何用于决策流

导入后,模型会成为较大决策流中的一个环节。Decisimo 可以在后续规则、评分卡或分支逻辑中使用模型预测结果,将模型输出与业务规则及外部数据源结合起来。

平台在这里发挥作用。训练好的模型本身会输出预测结果。决策流则提供受控的处理方式,结合模型输出和其余决策逻辑,决定分流、批准、拒绝、标记或继续处理。

这种结构适用于信贷、欺诈、客户准入和风控运营。它能明确模型的使用方式,决策过程也可供审计。

实用检查清单

将模型导入 Decisimo 前,请检查以下事项:

  • 将拟合后的模型保存为 pickle 文件。
  • 确认训练或序列化时使用的 Python 版本。
  • 列出所有必需的库。
  • 按正确顺序定义输入变量。
  • 为每个变量指定正确的数据类型。
  • 将每个变量映射到数据对象中的正确字段。
  • 使用样例值测试模型。
  • 确认决策流的下一个环节能够使用模型输出。

总结

将模型导入决策流,需要按要求完成集成。模型文件只是其中一部分,运行环境、依赖库、输入映射和输出格式都要匹配。

在这种情况下,Decisimo 可以将模型纳入确定性决策逻辑运行。这样形成的流程可以重复执行,预测结果有记录可查,也可以测试,并能按明确规则用于后续处理。

常见问题

导入模型时应选择哪个 Python 版本和哪些库?

在运行环境允许的范围内,尽量匹配训练和序列化模型时使用的 Python 及软件包版本。将这些版本信息记入模型版本记录,再在导入后的环境中测试模型加载和预测。模型能在 notebook 中运行,并不能证明它在其他环境中也能加载。

如何检查模型输入映射是否正确?

按照模型要求的顺序定义每项输入,并指定正确的数据类型和来源字段。使用常规值、边界值和缺失字段进行测试,再检查模型收到的是否是预期值。输入顺序错误时,模型也可能返回看似合理的预测结果,因此仅凭运行成功不能确认映射正确。

如何为模型的概率输出选择截断值?

根据信贷政策、验证结果,以及误批和误拒的相对成本设定截断值。确认概率经过校准,适用于规则实际使用的人群,并检查拟定截断值附近的决策结果。模型返回概率,并不意味着 0.5 就是合适的截断值。

在决策流中使用模型前,应检查哪些测试输入?

使用有代表性的测试输入,并纳入边界值、缺失信息和接近拟定截断值的情况。确认模型能够加载,返回的输出数量和顺序符合预期,后续决策逻辑也能使用这些值。将测试输入和预期结果与模型版本记录放在一起,方便日后检查变更。

上传 pickle 文件前应检查什么?

只上传来自可信且经过审核的构建流程的 pickle 文件。加载 pickle 文件时可能会执行代码,因此来源不可信带来的不只是模型兼容性风险。导入前请确认文件来源及其对应的模型版本。

将这些审核规则纳入决策流

制定信贷、反欺诈或催收规则,并用于实际决策。