UiPath와 Python ML(Machine Learning) 모델 연동
0 likes1,602 views
UiPath의 Python Activity를 이용하여 훈련된 Python ML ( Machine Learning ) 모델을 호출하여 예측 결과를 얻습니다. 얻어진 결과는 담당자에게 eMail로 전달되고 Excle을 수행하여 확인하는 프로세스 예제입니다
![3. 코드 Review – 모델 훈련 python 코드
import pandas
import pickle
from sklearn import model_selection
from sklearn.ensemble import RandomForestRegressor
from sklearn.preprocessing import LabelEncoder
# 훈련 데이터 읽기
in_url = "train_dia.csv"
dataframe = pandas.read_csv(in_url)
categorical_features = ['cut', 'color', 'clarity']
le = LabelEncoder()
# 데이터 정제 ( numerical 변환 )
for i in range(3):
new = le.fit_transform(dataframe[categorical_features[i]])
dataframe[categorical_features[i]] = new
array = dataframe.values
X = array[:,0:6]
Y = array[:,6]
# 훈련/테스트 데이터 분할 및 훈련
X_train, X_test, Y_train, Y_test = model_selection.train_test_split(X, Y,
test_size=0.33, random_state=7)
model = RandomForestRegressor(n_estimators = 50, max_depth =
10, random_state = 101)
model.fit(X_train, Y_train)
# 훈련 결과 확인
result = model.score(X_test, Y_test)
print(result)
# 훈련된 모델 저장
filename = 'model_50.sav'
pickle.dump(model, open(filename, 'wb'))
훈련된 모델
저장 파일](https://image.slidesharecdn.com/uipathpythonmlintegration-190417043759/85/UiPath-Python-ML-Machine-Learning-12-320.jpg)
![3. 코드 Review – 훈련된 모델 수행을 위한 python 코드
# 호출할 Python Method
def pricePrediction(in_file, modelFile ) :
import os
import pandas
import pickle
from sklearn.preprocessing import LabelEncoder
# 예측 대상 데이터 읽어오기
os.chdir("C:testData")
myData = pandas.read_csv(in_file)
categorical_features = ['cut', 'color', 'clarity']
le = LabelEncoder()
# 데이터 정제 ( numerical 변환 )
for i in range(3):
newValue = le.fit_transform(myData[categorical_features[i]])
myData[categorical_features[i]] = newValue
array = myData.values
X = array[:,0:6]
# 훈련된 모델 가져오기
loaded_model = pickle.load(open(modelFile, 'rb'))
Y_pred = loaded_model.predict(X).astype(int)
# 예측 결과 파일 저장
out_file = in_file.split('.')[0] + "_pred_price.csv"
myData['pred_price'] = pandas.Series(Y_pred,
index=myData.index)
myData.to_csv( out_file )
예측할 대상 파일
훈련된 모델 불러오기
가격 예측
예측 결과 csv 파일로 저장
호출할 method](https://image.slidesharecdn.com/uipathpythonmlintegration-190417043759/85/UiPath-Python-ML-Machine-Learning-13-320.jpg)
UiPath와 Python ML(Machine Learning) 모델 연동
- 1. UiPath와 Machine Learning 모델 연동 타임게이트 기술연구소 Python ML 모델 연동 2019년 4월 16일
- 2. 목차 1. 머신러닝 개요 2. 데이터 및 시나리오 3. 코드 Review ( Python 코드, UiPath Flowchart ) 4. 시연
- 3. 머신러닝 개요
- 4. 1. 머신러닝 개요 – 적용 분야 기계학습(Machine Learning) 패턴・규칙・관계 등과 같은 특징을 추출하여 규칙을 생성 기계학습(Machine Learning) 패턴・규칙・관계 등과 같은 특징을 추출하여 규칙을 생성 기계기계 사람사람 교통교통 자동차자동차 정보 시스템정보 시스템의료의료 검색검색 분류분류 판별판별 감지감지 예측예측 추론추론 판단판단최적화최적화 의사결정의사결정 기기 제어기기 제어어드바이스어드바이스
- 5. 1. 머신러닝 개요 – 모델 훈련 예측모델 생성 단계 과거데이 터 기계학습 (예측 모델링) 예측 모델 예측모델 적용단계 신규데이 터 예측 모델 예측 결과 (예측점수)
- 6. 1. 머신러닝 개요 – 훈련된 모델 적용 예측모델 생성단계 과거데이 터 기계학습 (예측 모델링) 예측 모델 예측모델 적용단계 신규데이 터 예측 모델 예측 결과 (예측점수) UiPath + ML 모델
- 7. 테스트 데이터 및 시나리오
- 8. 2. 테스트 데이터 및 시나리오 – 데이터 - R ggplot2 패키지에 포함된 53,940개의 다이어몬드 가격 정보
- 9. 2. 테스트 데이터 및 시나리오 – 데이터 - 가격(price)을 포함한 10개의 필드 1. 캐럿(carat) – 다이아몬드의 무게 2. 컷(cut) – 절삭면 상태 : Fair, Good, Very Good, Premium, Ideal 3. 색(color) – 다이아몬드 색 : J(최하) < I < H < G < F < E < D(최상) 4. 투명도(clarity) – I1(최하), SI2, SI1, VS2, VS1, VVS2, VVS1, IF (최상) 5. 깊이(depth) – 윗면의 가로,세로 대비 높이 : 2 * z / (x + y) (43--79) 6. 테이블(table) – 직경 대비 평평한 부분 비율 : (43 – 95) 7. 가격(price) – US 달러 표시 가격 ( $326 ~ $18,823 ) 8. X – 밀리미터 단위 길이 : ( 0 ~10.74) 9. Y – 밀리미터 단위 너비 : ( 0 ~ 58.9 ) 10. Z – 밀리미터 단위 깊이 : ( 0 ~ 31.8 ) 예측 대상
- 10. 2. 테스트 데이터 및 절차 – 절차 1. 데이터 준비 ( 훈련 데이터 + 테스트 데이터 ) 2. 모델 선택 ( RandomForestRegressor 사용 ) 3. Python 머신러닝 모델 훈련 및 결과 저장 4. 저장된 모델 UiPath 디렉토리로 복사 5. Python 모델을 수행하는 UiPath Flowchart 수행 6. 수행 결과 확인 ( Excel + eMail )
- 11. 코드 Review
- 12. 3. 코드 Review – 모델 훈련 python 코드 import pandas import pickle from sklearn import model_selection from sklearn.ensemble import RandomForestRegressor from sklearn.preprocessing import LabelEncoder # 훈련 데이터 읽기 in_url = "train_dia.csv" dataframe = pandas.read_csv(in_url) categorical_features = ['cut', 'color', 'clarity'] le = LabelEncoder() # 데이터 정제 ( numerical 변환 ) for i in range(3): new = le.fit_transform(dataframe[categorical_features[i]]) dataframe[categorical_features[i]] = new array = dataframe.values X = array[:,0:6] Y = array[:,6] # 훈련/테스트 데이터 분할 및 훈련 X_train, X_test, Y_train, Y_test = model_selection.train_test_split(X, Y, test_size=0.33, random_state=7) model = RandomForestRegressor(n_estimators = 50, max_depth = 10, random_state = 101) model.fit(X_train, Y_train) # 훈련 결과 확인 result = model.score(X_test, Y_test) print(result) # 훈련된 모델 저장 filename = 'model_50.sav' pickle.dump(model, open(filename, 'wb')) 훈련된 모델 저장 파일
- 13. 3. 코드 Review – 훈련된 모델 수행을 위한 python 코드 # 호출할 Python Method def pricePrediction(in_file, modelFile ) : import os import pandas import pickle from sklearn.preprocessing import LabelEncoder # 예측 대상 데이터 읽어오기 os.chdir("C:testData") myData = pandas.read_csv(in_file) categorical_features = ['cut', 'color', 'clarity'] le = LabelEncoder() # 데이터 정제 ( numerical 변환 ) for i in range(3): newValue = le.fit_transform(myData[categorical_features[i]]) myData[categorical_features[i]] = newValue array = myData.values X = array[:,0:6] # 훈련된 모델 가져오기 loaded_model = pickle.load(open(modelFile, 'rb')) Y_pred = loaded_model.predict(X).astype(int) # 예측 결과 파일 저장 out_file = in_file.split('.')[0] + "_pred_price.csv" myData['pred_price'] = pandas.Series(Y_pred, index=myData.index) myData.to_csv( out_file ) 예측할 대상 파일 훈련된 모델 불러오기 가격 예측 예측 결과 csv 파일로 저장 호출할 method
- 14. 3. 코드 Review – UiPath FlowChart : 전체 흐름
- 15. 3. 코드 Review – UiPath FlowChart : 테스트 데이터 입력 예측할 대상 입력 받음
- 16. 3. 코드 Review – UiPath FlowChart : 훈련된 모델 입력 훈련된 모델이 저장된 파일 ( 예 : “model_50.sav” )
- 17. 3. 코드 Review – UiPath FlowChart : 예측 모델 수행 - python scope Load Python Script Invoke Python Script Get Python Object
- 18. 3. 코드 Review – UiPath FlowChart : 예측 모델 수행 - python scope 설정 Python.exe 가 존재하는 디렉토리 Python 버젼32bit(x86) 혹은 64비트(x64)
- 19. 3. 코드 Review – UiPath FlowChart : 예측 모델 수행 - Load Python Script 설정 수행할 python 스크립트 ( 예 : “c:myModelrunModel.py” ) UiPath 객체화된 python 스크립트
- 20. 3. 코드 Review – UiPath FlowChart : 예측 모델 수행 - Invoke Python Script 설정 Python 스크립트 수행을 위한 입력 변수 ( 예 : { test_data_file, trained_model_file } ) Load Python Script 에서 UiPath 객체화 된 python 스크립트 Python 객체 내의 호출하는 method ( 예 : “pricePrediction” ) Python 메서드에서 반환한 python 객체
- 21. 3. 코드 Review – UiPath FlowChart : 예측 모델 수행 - Get Python Object 설정 Python 메서드에서 반환한 python 객체 UiPath 객체로 변환된 객체
- 22. 3. 코드 Review – UiPath FlowChart : 결과 메일 전송 전송자의 email 주소, password ( 예 : “ksw@mailserver.com”, “password” )수신자의 email 주소, 제목, 본문 송신 메일 서버 정보 ( 예 : “smtp.gmail.com“) 송신 메일 서버 포트 ( 예 : 465 ) 첨부 파일명
- 23. 3. 코드 Review – UiPath FlowChart : 예측 결과 확인 명령 수행시 입력값 ( 예 : “predicted.csv”) 수행할 명령 (예 : "C:Program FilesMicrosoft OfficerootOffice16EXCEL.EXE“ ) 명령 수행 디렉토리 ( 예 : “c:testDir” )
- 24. 4. 시연
- 25. 4. 시연 – 결과 확인
- 26. Address 서울특별시 성동구 아차산로 17 11층 (성수동 1가, 서울숲엘타워) 우편번호 04789 Telephone Tel : (02)575-0409 Fax: (02)6003-1987