机器学习基本上是人工智能的一个子集，它使用以前存在的数据对新数据进行预测。
当然，现在我们所有人都知道这个道理了！这篇文章展示了如何将 Python 中开发的机器学习模型作为 Java 代码的一部分来进行预测。
本文假设你熟悉基本的开发技巧并理解机器学习。我们将从训练我们的模型开始，然后在 Python 中制作一个机器学习模型。
我以一个洪水预测模型为例。首先，导入以下库：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt当我们成功地导入了这些库，我们就需要输入数据集，如下面的代码所示。为了预测洪水，我使用的是河流水位数据集。
from google.colab import files
uploaded = files.upload()
for fn in uploaded.keys():
print('User uploaded file "{name}" with length {length} bytes'.format(name=fn, length=len(uploaded[fn])))如果没有选择文件的话，选择上传的文件。
只有在当前浏览器会话中执行了该单元格时，上传部件才可用。请重新运行此单元，上传文件 Hoppers Crossing-Hourly-River-Level.csv，大小 2207036 字节。
完成后，我们就可以使用 sklearn 库来训练我们的模型。为此，我们首先需要导入该库和算法模型，如图 1 所示。
Figure 1: Training the model
from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
regressor.fit(X_train, y_train)完成后，我们就训练好了我们的模型，现在可以进行预测了，如图 2 所示。
Figure 2: Making predictions
在 Java 中使用 ML 模型
我们现在需要做的是把 ML 模型转换成一个可以被 Java 程序使用的模型。有一个叫做 sklearn2pmml 的库可以帮助我们做到这一点：
# Install the library
pip install sklearn2pmml库安装完毕后，我们就可以转换我们已经训练好的模型，
sklearn2pmml(pipeline, ‘model.pmml’, with_repr = True)这就完成了！我们现在可以在我们的 Java 代码中使用生成的 model.pmml 文件来进行预测。请试一试吧！
（LCTT 译注：Java 中有第三方库 jpmml/jpmml-evaluator，它能帮助你使用生成的 model.pmml 进行预测。）
