【机器学习】 使用sklearn中的joblib函数实现模型持久化保存以及提取

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、joblib.dump模型保存

from sklearn.externals import joblib

x = [[2,3,1],[4,6,3]]

y = [1,0]

from sklearn.svm import SVC

clf = SVC()

clf.fit(x,y)
Out[252]: 
SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,
  decision_function_shape='ovr', degree=3, gamma='auto', kernel='rbf',
  max_iter=-1, probability=False, random_state=None, shrinking=True,
  tol=0.001, verbose=False)

clf.coef0
Out[253]: 0.0

joblib.dump(clf,'c:/users/yingfei-wjc/desktop/train_model.m')
Out[255]: ['c:/users/yingfei-wjc/desktop/train_model.m']

通过joblib的dump可以将模型保存到本地，clf是训练的分类器

• 2、 joblib.load模型从本地调回

model = joblib.load("c:/users/yingfei-wjc/desktop/train_model.m")

model
Out[257]: 
SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,
  decision_function_shape='ovr', degree=3, gamma='auto', kernel='rbf',
  max_iter=-1, probability=False, random_state=None, shrinking=True,
  tol=0.001, verbose=False)

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

model.predict([[5,5,3],[2,2,1]])
Out[258]: array([0, 1])