sklearn之svm-葡萄酒质量预测(11)

Posted 2023-02-20 麦好

本系列以sklearn的svm算法为例，对葡萄酒质量预测，也可换用其它方法，比如随机森林，因为sklearn的机器学习算法调用形式基本差不多，可以自行举一反三。
现在，我们来把训练的模型保存，然后，需要的时候，直接将数据送入模型 ，无需再训练，先来看模型 保存与读入（模型持久化）
模型的持久性
在训练了一个scikit-learn模型之后，最好有一种方法来保存模型以供将来使用，而无需重新培训。下一节将给出一个示例，说明如何使用pickle持久化模型。在处理pickle序列化时，我们还将回顾一些安全性和可维护性问题。

>>> from sklearn import svm
>>> from sklearn import datasets
>>> clf = svm.SVC(gamma='scale')
>>> iris = datasets.load_iris()
>>> X, y = iris.data, iris.target
>>> clf.fit(X, y)  
SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,
    decision_function_shape='ovr', degree=3, gamma='scale', kernel='rbf',
    max_iter=-1, probability=False, random_state=None, shrinking=True,
    tol=0.001, verbose=False)

>>> import pickle
>>> s = pickle.dumps(clf)
>>> clf2 = pickle.loads(s)
>>> clf2.predict(X[0:1])
array([0])
>>> y[0]
0

在特定的scikitlearn中，使用joblib替换pickle 可能会更好。(dump & joblib.load)，这对于内部携带大型numpy数组的对象更有效，这通常是适合的scikit-learn估计器的情况，但只能pickle到磁盘，而不是字符串:

>>> from sklearn.externals import joblib
>>> joblib.dump(clf, 'filename.joblib') 

稍后，您可以使用以下工具返回pickle模型(可能是在另一个Python进程中):

>>> clf = joblib.load('filename.joblib') 

joblib.dump和 joblib.load函数也接受类似文件对象，而不是文件名。
由于模型内部表示在两个不同的体系结构上可能不同，所以不支持在一个体系结构上转储模型，并将其加载到另一个体系结构上。