如何持久化保存训练模型

我们可以使用Python自带的pickle模块或sklearn的joblib模块将已训练好的模型持久化到本地。

第一种：使用pickle

将训练好的模型本地持久化

fromsklearn.neighborsimportKNeighborsClassifier

fromsklearnimportdatasets

importnumpyasnp

importpickle

iris=datasets.load_iris()

print(iris.data)

i=np.random.permutation(len(iris.data))

x_train=iris.data[i[:-20]]

y_train=iris.target[i[:-20]]

x_test=iris.data[i[-20:]]

y_tets=iris.target[i[-20:]]

model=KNeighborsClassifier()

model.fit(x_train,y_train)

s=pickle.dumps(model)

f=open('knn_testp.m','wb')

f.write(s)

f.close()

使用本地模型进行预测

importpickle

f=open('knn_testp.m','rb')

s=f.read()

model=pickle.loads(s)

print(model.predict([[5.1,3.5,1.4,0.2]]))

第二种：使用joblib

将训练好的模型本地持久化

fromsklearn.neighborsimportKNeighborsClassifier

fromsklearnimportdatasets

importnumpyasnp

fromsklearn.externalsimportjoblib

iris=datasets.load_iris()

print(iris.data)

i=np.random.permutation(len(iris.data))

x_train=iris.data[i[:-20]]

y_train=iris.target[i[:-20]]

x_test=iris.data[i[-20:]]

y_tets=iris.target[i[-20:]]

model=KNeighborsClassifier()

model.fit(x_train,y_train)

print(model.score(x_test,y_tets))

joblib.dump(model,'knn_test.m')

利用本地模型进行预测

fromsklearn.externalsimportjoblib

model=joblib.load('knn_test.m')

print(model.predict([[5.1,3.5,1.4,0.2]]))

当数据量比较大时，使用joblib将更加高效。