模型的保存

没有深层次去看源码理解，只是会使用，大概有三种吧

1.joblib保存为.m文件，也可以保存为.pkl文件

2.pickle模块

这两种方法的区别：

1.pickle模块不能序列化lambda function.查看下面的链接可知pickle模块可序列那些类型   https://docs.python.org/3/library/pickle.html#what-can-be-pickled-and-unpickled

2. joblib更适合大数据量的模型，且只能往硬盘存储，不能往字符串存储

3.

需要注意的是，这里执行joblib.dump()之后，有可能还会生成若干个以rf.model_XX.npy为命名格式的文件，这有可能是用于保存模型中的系数等的二进制文件。其具体生成的文件的个数还会随调用到的分类器的不同，以及分类器中迭代次数的参数的不同而变，有时候会生成几个，有时候会生成几百个。

设置dump中的compress参数，当设置参数时，模型持久化便会压缩成一个文件。源码中对compress参数的描述如下：

1. compress: integer for 0 to 9, optional  
2.         Optional compression level for the data. 0 is no compression.  
3.         Higher means more compression, but also slower read and  
4.         write times. Using a value of 3 is often a good compromise.  
5.         See the notes for more details.  

     #save model

      joblib.dump(clf,'../../data/model/randomforest.pkl',compress=3) 

     #load model to clf 

     clf = joblib.load('../../data/model/randomforest.pkl')  

http://blog.csdn.net/Dream_angel_Z/article/details/47175373

在做模型训练的时候，尤其是在训练集上做交叉验证，通常想要将模型保存下来，然后放到独立的测试集上测试，下面介绍的是Python中训练模型的保存和再使用。

scikit-learn已经有了模型持久化的操作，导入joblib即可

from sklearn.externals import joblib
 
 
1

模型保存

>>> os.chdir("workspace/model_save")
>>> from sklearn import svm
>>> X = [[0, 0], [1, 1]]
>>> y = [0, 1]
>>> clf = svm.SVC()
>>> clf.fit(X, y)  
>>> clf.fit(train_X,train_y)
>>> joblib.dump(clf, "train_model.m")
 
 
1
2
3
4
5
6
7
8

通过joblib的dump可以将模型保存到本地，clf是训练的分类器

模型从本地调回

>>> clf = joblib.load("train_model.m")
 
 
1

通过joblib的load方法，加载保存的模型。

然后就可以在测试集上测试了

clf.predit(test_X) #此处test_X为特征集

1. pickle
>>> 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

2. joblib
>>> from sklearn.externals import joblib
>>> joblib.dump(clf, ‘filename.pkl‘) 
>>> clf = joblib.load(‘filename.pkl‘) 

使用pickle模块或者sklearn内部的joblib

一、使用pickle模块

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)

import pickle

s=pickle.dumps(clf)

f=open('svm.txt','w')

f.write(s)

f.close()

f2=open('svm.txt','r')

s2=f2.read()

clf2=pickle.loads(s2)

clf2.score(X,y)