#使用过归一化的训练模型,需要保存归一化参数,并使用到预测数据中
#归一化参数保存和模型保存
from sklearn import linear_model
import pickle
from sklearn.preprocessing import StandardScaler
#标准化特征
sc = StandardScaler()
sc.fit(train_subset)
train_subset_std = sc.transform(train_subset)
test_subset_std = sc.transform(test_subset)
# 保存标化器
pickle.dump(sc, open('sc.pkl','wb'))
#训练模型
lgr = linear_model.LogisticRegression(C=2, penalty='l2')
lgr.fit(train_subset_std, train_label)#训练模型
label_predict = lgr.predict(test_subset_std)#预测模型
accuracy = lgr.score(test_subset_std, test_label)
#保存模型
from sklearn.externals import joblib
joblib.dump(lgr, 'train_model1.pkl')
#标准化数据及模型的使用
import pickle
#标准化预测数据
scaler = pickle.load(open('sc.pkl', 'rb'))
allmatrix = scaler.transform(你的预测数据)
#加载预测模型并预测
d=joblib.load("train_model1.pkl")
c=d.predict(allmatrix)