一个R语言模型的落地应用有几种方式：可能是一个简单的分析报告，可能是将预测结果输出到数据库，即离线模型，也可能需要实时读入数据进行实时预测输出。第三种情况是最有用，也最难处理的情况。因为要把R和其它通用型语言进行整合并不容易。例如使用Rserve在java中整合R代码就需要开发人员即懂java也懂R，开发量会比较高。一种比较好的思路是将R计算部分作为一个API，其它语言时通过API来调用R的部分。
下面的例子就是一个很简单的预测iris种类。在mac系统中，基于opencpu框架完成，opencpu能将R语言的对象转为http的资源，极大的方便了R语言模型的部署。一共只需要四个步骤。
步骤1：建立模型
步骤2：模型写入R包
步骤3：将R包安装到opencpu服务器上
步骤4：通过API远程调用模型
第一步是R语言建模。
library(rpart)
m = rpart(Species~., data = iris)
save(m, file='model.rda')
模型保存为一个rda文件在硬盘上。
第二步是写一个R包，如今用rstudio写一个R包是非常简单的事了，建立好一个新项目test之后，在R代码中写入预测函数如下。
library(rpart)
predfunc = function(input){
input = as.data.frame(input)
result = predict.rpart(m,newdata = input,type='class')
as.character(result)
}
可以在R里面验证一下函数是否正常。
newx = data.frame(Sepal.Length=5.1,
Sepal.Width=3.5,
Petal.Length=1.4,
Petal.Width=0.2)
predfunc(newx)
然后新建一个data目录，将rda文件放入目录中，build&reload去建立这个名为test的R包。
第三步是安装R包到opencpu服务器上，我事先在本机上安装了opencpu，只需要像安装普通R包一样安装即可。
install.packages(opencpu)
这样在第二步reload时就直接安装好了test的R包。
第四步是实验API调用是否成功。在终端里进R，调用opencpu，即library(opencpu)会自动启动服务，并显示
[httpuv] http://localhost:4678/ocpu
OpenCPU single-user server ready.
调用模型时，用curl实验即可。另开一个终端，输入
curl http://localhost:4678/ocpu/library/test/R/predfunc/json -H "Content-Type: application/json" -d '{"input" :[ {"Sepal.Length":1.1, "Sepal.Width" : 2.5, "Petal.Length":0.4, "Petal.Width":0.9}]}'
成功返回
[
"setosa"
]
如果需要把这个模型提供给远程调用，需要安装服务器版本的opencpu。具体参见https://www.opencpu.org/posts/scoring-engine/
