我在R中构建了一个玩具随机森林模型（使用German Credit包中的caret数据集），将其导出到PMML 4.0并部署到Hadoop，使用Cascading Pattern库。
我遇到的问题是Cascading Pattern对同一数据的评分不同（在二元分类问题中），而不是R中的相同模型。在200个观察中，2个得分不同。
这是为什么？可能是因为随机森林的实施存在差异吗？
答案 0 :(得分：2)
German Credit数据集表示分类类型问题。分类型RF模型的获胜分数只是成员决策树中最常见的类别标签。
假设您拥有包含100个决策树的RF模型，50个决策树预测“良好信用”，另外50个决策树预测“不良信用”。 R和Cascading Pattern可能会以不同方式解决此类关系情况 - 一个选择首先看到的分数，另一个选择最后看到的分数。您可以尝试使用奇数个成员决策树重新训练您的RF模型（即使用一些不能被2整除的值，例如99或101）。
PMML规范告诉我们返回首先看到的分数。我不确定Cascading Pattern是否会关注这些细节。您可能想尝试一种名为JPMML-Cascading的替代解决方案。
答案 1 :(得分：1)
分数匹配是一个大问题。当模型从科学家的桌面移动到生产IT部署环境时，分数需要匹配。对于分类任务，还包括所有目标类别的概率。有时在不同的实现/平台之间存在精度问题，这可能导致最小的差异（非常小）。无论如何，他们还需要进行检查。
显然，也可能是PMML中没有正确表示模型的情况......不太可能使用R PMML包。另一种选择是模型未正确部署。也就是说，评分引擎级联使用的是不正确地解释PMML文件。
PMML本身有一个名为ModelVerification的模型元素，它允许PMML文件包含评分数据，然后可以将其用于评分匹配。这很有用但不是必需的，因为您应该能够对已经得分的数据集进行评分，并将计算结果与您已经在进行的预期结果进行比较。
有关PMML中模型验证和分数匹配以及错误处理的更多信息，请检查： https://support.zementis.com/entries/21207918-Verifying-your-model-in-ADAPA-did-it-upload-correctly-