模型持久化指将训练好的模型保存起来,以便于下次再次测试。
据sklearn官网介绍,模型持久化一般有两种方式。
方式一:利用pickle包
>>> from sklearn import svm
>>> from sklearn import datasets
>>> clf = svm.SVC()
>>> 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=None, degree=3, gamma='auto', 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
方式二:利用joblib包
>>> from sklearn.externals import joblib
>>> joblib.dump(clf, 'filename.pkl') #导出模型
>>> clf = joblib.load('filename.pkl') #第二次导入模型
>>> clf.predit(test_X) #预测,可直接只用训练好的模型
也可以在dump时指定参数,例如joblib.dump(clf, 'filename.pkl',compress=3),compress的参数一般可以在0-9之间进行选择。
(完)
参考:scikit-learn官网
网友评论