Python Vetiver部署模型如何配置使用score_samples替代predict方法

Vetiver默认调用模型.predict()方法的行为支持自定义覆盖，不需要修改框架源码，按以下步骤配置即可让端点调用.score_samples()返回异常分数：

• 首先单独定义打分处理函数，函数必须固定接收model（训练完成的模型对象）、new_data（接口收到的待预测数据）两个入参，内部实现你需要的打分逻辑即可：

def get_anomaly_score(model, new_data):
    return model.score_samples(new_data)

• 初始化Vetiver模型对象时，把上面写好的自定义函数传给predict_fn参数，替换框架默认的predict调用逻辑：

import vetiver

# iforest_model为你训练好的孤立森林模型对象
vetiver_model = vetiver.VetiverModel(
    model=iforest_model,
    model_name="isolation_forest_anomaly_detector",
    predict_fn=get_anomaly_score
)

• 后续按常规流程部署端点即可，部署完成后接口收到请求时，会自动执行.score_samples()方法，返回0到1区间的异常分数，不再输出1/-1的分类结果。

补充：如果需要接口同时返回分类标签和异常分数，直接在自定义的predict_fn里把两类结果组装成pandas DataFrame或者字典格式返回即可，框架会自动将结构化结果序列化为标准JSON响应，不需要额外修改接口配置。

内容的提问来源于stack exchange，提问作者David Smith