1 Straw man 버전(결혼) 문제점

HTTP API - Straw man 버전(결혼)은 예측모형을 HTTP API로 서비스하기 위해서 GLM 공식을 활용하여 결혼확률값을 반환하여 주었다. 하지만, 매번 예측모형을 개발할 때마다 예측확률 수식을 발라내서 적어줘야하는 문제가 발생한다. 금번에는 예측모형을 그대로 활용하여 손이가는 부분을 줄어보는 방향으로 Stone Man 버전을 제작하는데 admission 입학 데이터를 활용해보자.

1.1 입학 예측모형 1

입학 데이터를 가져와서 모형데이터(model_data)와 API 데이터(api_data)로 나눈다. 그리고 나서 glm() 예측모형으로 예측모형을 만들고 나서, 모형 객체를 model_glm이름으로 저장시켜 두고 테스트 사례도 함께 준비한다.

# 파일명: marriage_ml.R
# 0. Packages -----
library(tidyverse)
library(janitor)
library(rjson)
library(jsonlite)

# 1. data -----
admit_dat <- read_csv("https://stats.idre.ucla.edu/stat/data/binary.csv")

admit_x_dat <- admit_dat %>% 
    select(-admit)

# 2. data transform -----

model_data <- function(self) {
    self_df <- self %>% 
        mutate(admit = factor(admit),
               rank  = factor(rank))
    return(self_df)
}

admit_df <- model_data(admit_dat)

api_data <- function(x_self) {
    self_df <- x_self %>% 
        mutate(rank  = factor(rank))
    return(self_df)
}

admit_x_df <- api_data(admit_x_dat)


# 3. ML Predictive Model -----
model_glm <- glm(admit ~ gre + gpa + rank, data = admit_df, family = "binomial")

predict(model_glm, newdata=admit_x_df, type="response")[1]

model_glm %>% write_rds("data/admission_glm.rds")

# 4. 테스트 데이터 -----

input_data <- admit_x_dat[1, ]

test_case_json <- toJSON(input_data)
cat(test_case_json)

# curl -d '{"gre":380,"gpa":3.61,"rank":3}' "http://localhost:8000/predict"

1.2 HTTP API 서비스 명세

\healthcheck 서비스를 작성하여 문제점을 사전에 적시한다. 그리고 나서, 만든 기계학습 예측모형 객체를 불러와서 api_data() 함수에 입력데이터를 변환시키고, 이를 predict() 함수에 넣어 입학확률을 계산한다. 입력데이터가 JSON으로 전달되면 이를 데이터프레임으로 변환시키고, 원본 데이터프레임을 모형 데이터프레임으로 한번더 변환시킨 후에 predict() 함수에 기계학습 예측모형 객체와 함께 넣어 입학확률을 계산한다.

MODEL_VERSION <- "0.0.1"

# 1. Import model data object -----

admission_glm <- read_rds("data/admission_glm.rds")

# 2. API services -----
## 2.1. Health Check -----
#* @get /healthcheck
health_check <- function() {
    result <- data.frame(
        "input" = "",
        "status" = 200,
        "model_version" = MODEL_VERSION
    )
    
    return(result)
}

## 2.2. Predictive Service -----
api_data <- function(x_self) {
    self_df <- data.frame(
        rank = factor(x_self$rank),
        gre  = x_self$gre,
        gpa  = x_self$gpa)
    return(self_df)
}

#* @post /predict
#* @get /predict
calculate_admission <- function(gre, gpa, rank) {
    
    # Input parameters turn into data.frame
    gre  <- as.double(gre)
    gpa  <- as.double(gpa)
    rank <- as.integer(rank)
    
    payload_df <<- data.frame(gre=gre, gpa=gpa, rank=rank)

    # convert dataframe into modeling dataframe
    
    payload_m_df <- api_data(payload_df)
    
    # predict and return result
    admission_prob <<- predict(admission_glm, newdata=payload_m_df, type="response")
    
    return(list(admission_probability=unbox(admission_prob)))
}

1.3 HTTP API 서비스 명세

plumber 서비스를 띄워서 해당 끝점(endpoint) 서비스에 접속하면 입학확률을 반환하는 서비스를 실행한다.

library(plumber)

r <- plumb("~/admission_stoneman/admission_api.R")

r$run(port = 8000)

1.4 배쉬쉘 서비스 실행

admission_run.sh을 실행시키게 되면 admission_runapi.R가 실행되고 이는 다시 admission_api.R를 실행시켜 HTTP API 결혼확률 서비스를 올리게 된다.

#!/bin/bash

exec R --vanilla CMD BATCH admission_runapi.R

2 HTTP API 서비스 테스트

AWS EC2에 FTP로 개발된 HTTP API 입학예측 서비스를 올려 ./admission_run.sh으로 실행시키게 되면 외부에서 API에 입력값(income, asset)을 전달하게 되면 결혼확률값을 전달받을 수 있게 된다. 특히, curl을 사용하면 터미널에서 앞서 생성한 JSON 데이터를 입력값을 실어서 전달하게 되면 52.79.XXX.XXX 호스트 8000 포트로 ` 서비스를 통해 결혼확률을 얻을 수 있다.

$ curl -d  '{"gre":380,"gpa":3.61,"rank":3}' "http://localhost:8000/predict"
{"admission_probability":0.1726}

  1. UCLA Institute for Digital Research and Education, “LOGIT REGRESSION | R DATA ANALYSIS EXAMPLES”↩