在 scikit-learn 中将分类器保存到磁盘

Posted 2023-03-12

【中文标题】在 scikit-learn 中将分类器保存到磁盘

【英文标题】：Save classifier to disk in scikit-learn

【发布时间】：2012-05-22 11:38:13

【问题描述】：

如何将经过训练的朴素贝叶斯分类器保存到磁盘并用它来预测数据？

我有以下来自 scikit-learn 网站的示例程序：

from sklearn import datasets
iris = datasets.load_iris()
from sklearn.naive_bayes import GaussianNB
gnb = GaussianNB()
y_pred = gnb.fit(iris.data, iris.target).predict(iris.data)
print "Number of mislabeled points : %d" % (iris.target != y_pred).sum()

【参考方案1】：

分类器只是可以像其他任何东西一样被腌制和倾倒的对象。继续你的例子：

import cPickle
# save the classifier
with open('my_dumped_classifier.pkl', 'wb') as fid:
    cPickle.dump(gnb, fid)    

# load it again
with open('my_dumped_classifier.pkl', 'rb') as fid:
    gnb_loaded = cPickle.load(fid)

编辑：如果您使用sklearn Pipeline，其中您的自定义转换器无法通过pickle（也不能通过joblib）序列化，那么使用Neuraxle 的custom ML Pipeline saving 是一种解决方案，您可以在其中定义自己的自定义@ 987654324@ 在每一步的基础上。如果在保存时定义了保存程序，则会为每个步骤调用保存程序，否则将使用 joblib 作为没有保存程序的步骤的默认值。

【讨论】：

像魅力一样工作！我一直在尝试使用 np.savez 并将其加载回来，但这并没有帮助。非常感谢。

在python3中，使用pickle模块，它的工作原理与此完全一样。

【参考方案2】：

您还可以使用joblib.dump 和joblib.load，这在处理数值数组方面比默认的python pickler 更有效。

Joblib 包含在 scikit-learn 中：

>>> import joblib
>>> from sklearn.datasets import load_digits
>>> from sklearn.linear_model import SGDClassifier

>>> digits = load_digits()
>>> clf = SGDClassifier().fit(digits.data, digits.target)
>>> clf.score(digits.data, digits.target)  # evaluate training error
0.9526989426822482

>>> filename = '/tmp/digits_classifier.joblib.pkl'
>>> _ = joblib.dump(clf, filename, compress=9)

>>> clf2 = joblib.load(filename)
>>> clf2
SGDClassifier(alpha=0.0001, class_weight=None, epsilon=0.1, eta0=0.0,
       fit_intercept=True, learning_rate='optimal', loss='hinge', n_iter=5,
       n_jobs=1, penalty='l2', power_t=0.5, rho=0.85, seed=0,
       shuffle=False, verbose=0, warm_start=False)
>>> clf2.score(digits.data, digits.target)
0.9526989426822482

编辑：在 Python 3.8+ 中，如果您使用 pickle 协议 5（这不是默认协议），现在可以使用 pickle 对具有大型数值数组作为属性的对象进行高效酸洗。

【讨论】：

但据我了解，如果流水线是单个工作流的一部分，它就可以工作。如果我想构建模型将其存储在磁盘上并在那里停止执行。然后我一周后回来，尝试从磁盘加载模型，它给我一个错误：

如果这是您正在寻找的，则无法停止和恢复 fit 方法的执行。话虽如此，如果您从具有相同版本 scikit-learn 库的 Python 调用 joblib.dump 成功后，joblib.load 不应引发异常。

如果您使用的是 IPython，请不要使用 --pylab 命令行标志或 %pylab 魔法，因为已知隐式命名空间重载会破坏酸洗过程。改用显式导入和 %matplotlib inline 魔法。

参见 scikit-learn 文档以供参考：scikit-learn.org/stable/tutorial/basic/…

是否可以重新训练以前保存的模型？特别是 SVC 模型？

【参考方案3】：

sklearn.externals.joblib 自0.21 以来已被弃用，并将在v0.23 中删除：

/usr/local/lib/python3.7/site-packages/sklearn/externals/joblib/init.py:15： FutureWarning：sklearn.externals.joblib 在 0.21 中已弃用，并将 在 0.23 中删除。请直接从 joblib，可以安装：pip install joblib。如果这 加载腌制模型时会发出警告，您可能需要 使用 scikit-learn 0.21+ 重新序列化这些模型。 warnings.warn(msg, category=FutureWarning)

---

因此，需要安装joblib：

pip install joblib

最后将模型写入磁盘：

import joblib
from sklearn.datasets import load_digits
from sklearn.linear_model import SGDClassifier


digits = load_digits()
clf = SGDClassifier().fit(digits.data, digits.target)

with open('myClassifier.joblib.pkl', 'wb') as f:
    joblib.dump(clf, f, compress=9)

现在为了读取转储文件，您需要运行的是：

with open('myClassifier.joblib.pkl', 'rb') as f:
    my_clf = joblib.load(f)

【参考方案4】：

sklearn 估计器实现的方法使您可以轻松地保存估计器的相关训练属性。一些估算器自己实现 __getstate__ 方法，但其他估算器，例如 GMM 只使用 base implementation ，它只是保存对象内部字典：

def __getstate__(self):
    try:
        state = super(BaseEstimator, self).__getstate__()
    except AttributeError:
        state = self.__dict__.copy()

    if type(self).__module__.startswith('sklearn.'):
        return dict(state.items(), _sklearn_version=__version__)
    else:
        return state

将模型保存到光盘的推荐方法是使用pickle 模块：

from sklearn import datasets
from sklearn.svm import SVC
iris = datasets.load_iris()
X = iris.data[:100, :2]
y = iris.target[:100]
model = SVC()
model.fit(X,y)
import pickle
with open('mymodel','wb') as f:
    pickle.dump(model,f)

但是，您应该保存额外的数据，以便将来重新训练您的模型，否则会遭受可怕的后果（例如被锁定到旧版本的 sklearn）。

来自documentation：

为了用未来版本重建一个类似的模型 scikit-learn，额外的元数据应该沿着腌制保存 型号：

训练数据，例如对不可变快照的引用

用于生成模型的python源码

scikit-learn 的版本及其依赖项

在训练数据上得到的交叉验证分数

对于依赖于用 Cython 编写的 tree.pyx 模块（例如 IsolationForest）的 Ensemble 估计器尤其如此，因为它创建了与实现的耦合，这不能保证在 sklearn 版本之间保持稳定。过去它已经看到了向后不兼容的变化。

如果您的模型变得非常大并且加载变得麻烦，您还可以使用更高效的joblib。来自文档：

在scikit的具体情况下，使用起来可能会更有趣 joblib 替换 pickle (joblib.dump & joblib.load)，即 在内部携带大型 numpy 数组的对象上更有效 拟合的 scikit-learn 估计器通常是这种情况，但只能 pickle 到磁盘而不是字符串：

【讨论】：

but can only pickle to the disk and not to a string 但你可以从 joblib 将它腌制到 StringIO 中。这就是我一直在做的事情。

我目前的项目正在做类似的事情，你知道The training data, e.g. a reference to a immutable snapshot这里是什么吗？ TIA！

【参考方案5】：

在许多情况下，特别是对于文本分类，仅存储分类器是不够的，您还需要存储矢量化器，以便将来对输入进行矢量化处理。

import pickle
with open('model.pkl', 'wb') as fout:
  pickle.dump((vectorizer, clf), fout)

未来用例：

with open('model.pkl', 'rb') as fin:
  vectorizer, clf = pickle.load(fin)

X_new = vectorizer.transform(new_samples)
X_new_preds = clf.predict(X_new)

在转储矢量化器之前，可以通过以下方式删除矢量化器的 stop_words_ 属性：

vectorizer.stop_words_ = None

使倾销更有效率。 此外，如果您的分类器参数是稀疏的（如在大多数文本分类示例中），您可以将参数从密集转换为稀疏，这将在内存消耗、加载和转储方面产生巨大差异。 Sparsify模特：

clf.sparsify()

这将自动为 SGDClassifier 工作，但如果您知道您的模型是稀疏的（clf.coef_ 中有很多零），那么您可以手动将 clf.coef_ 转换为 csr scipy sparse matrix，方法是：

clf.coef_ = scipy.sparse.csr_matrix(clf.coef_)

然后您可以更有效地存储它。

【讨论】：

有见地的回答！只是想在 SVC 的情况下添加，它返回一个稀疏模型参数。

【参考方案6】：

您要查找的内容在 sklearn 单词中称为 模型持久性，它记录在 introduction 和 model persistence 部分中。

所以你已经初始化了你的分类器并用它训练了很长时间

clf = some.classifier()
clf.fit(X, y)

在此之后，您有两个选择：

1) 使用 Pickle

import pickle
# now you can save it to a file
with open('filename.pkl', 'wb') as f:
    pickle.dump(clf, f)

# and later you can load it
with open('filename.pkl', 'rb') as f:
    clf = pickle.load(f)

2) 使用 Joblib

from sklearn.externals import joblib
# now you can save it to a file
joblib.dump(clf, 'filename.pkl') 
# and later you can load it
clf = joblib.load('filename.pkl')

再次阅读上述链接会有所帮助

【讨论】：

以上 Joblib 进程对我有用。 ['clf'= 要在文件中使用的模型名称]。我在一个文件中使用 joblib.dump() 并使用 joblib.load() 将模型加载到另一个文件中以节省预测时间。

@jtlz2 试试import joblib