sklearn(九)：Model persistence

Sarah ฅʕ•̫͡•ʔฅ

已于 2022-05-24 18:17:32 修改

阅读量155

点赞数

分类专栏： Sklearn 文章标签： sklearn 机器学习人工智能

于 2018-09-29 18:00:59 首次发布

本文链接：https://blog.csdn.net/u014765410/article/details/82901036

版权

Sklearn 专栏收录该内容

27 篇文章 4 订阅

订阅专栏

本文介绍了如何使用pickle和joblib库来序列化和反序列化scikit-learn中的机器学习模型，包括SVM分类器的实例。通过pickle.dumps()和pickle.loads()函数，模型可以被转换为二进制字符串并从字符串中恢复。然而，对于携带大量numpy数组的模型，joblib的dump和load函数可能更高效，但只能保存到磁盘。

摘要由CSDN通过智能技术生成

#way1  利用pickle.dump()将训练好的分类器序列化（转为二进制），利用 pickle.loads()反序列化；
>>> 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)  #存储模型
>>> clf2 = pickle.loads(s)  #下载模型
>>> clf2.predict(X[0:1])
array([0])
>>> y[0]
0

#  In the specific case of scikit-learn, it may be better to use joblib’s replacement of pickle (joblib.dump & joblib.load), which is more efficient on objects that carry large numpy arrays internally as is often the case for fitted scikit-learn estimators, but can only pickle to the disk and not to a string

#way2  joblib.dump()  joblib.load()
>>> from sklearn.externals import joblib
>>> joblib.dump(clf, 'filename.joblib')   #存储模型
>>> clf = joblib.load('filename.joblib')   #下载模型