能否将自定义Sklearn模型上传至Google Cloud ML Engine？

我最近在跟着GCloud教程把Scikit-learn模型部署到ML Engine时，碰到了一个需求：默认的GaussianMixture估计器调用predict方法会返回类别预测，但我需要的是样本的概率得分（也就是score_samples方法输出的结果）。为了满足这个需求，我给GaussianMixture写了一个包装类，重写了predict方法，直接返回概率得分。

包装类实现代码 #

创建一个名为GMMWrapper.py的文件，内容如下：

from sklearn.mixture import GaussianMixture

class GMMWrapper(GaussianMixture):
    def predict(self, X):
        # 重写predict方法，替换为返回score_samples的概率结果
        return self.score_samples(X)

创建并保存部署用的管道 #

接下来就可以按照标准流程构建包含这个包装类的机器学习管道，并保存用于ML Engine部署：

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
import joblib

# 初始化包装后的GMM模型
gmm = GMMWrapper()
# 构建包含预处理和模型的管道（这里以标准化为例，你可以根据需求调整）
pipegmm = Pipeline([
    ('feature_scaling', StandardScaler()),
    ('gmm_model', gmm)
])

# 用训练数据拟合管道（假设X_train是你的训练特征数据）
pipegmm.fit(X_train)

# 保存模型文件，用于上传到GCP ML Engine
joblib.dump(pipegmm, 'gmm_model.joblib')

这样部署到ML Engine之后，调用预测接口时就会返回每个输入样本的概率得分，而不是默认的类别预测结果了。

内容的提问来源于stack exchange，提问作者NickDGreg