目次
以前は、モデルを使用して予測を行う場合、全員が再トレーニングする必要がありました。しばらくすると、モデルトレーニングの精度が一定の基準に達する可能性があります。その後、モデルを保存してモデルをロードすることで、予測を完了することができます。毎回モデルをトレーニングします。
1.モデルを保存してロードします
この機能を実現するために、APIがsklearnで提供されています。
(1)モデルを保存します
#4)直接将模型保存
sklearn.externals.joblib.dump(value, filename, compress=0, protocol=None, cache_size=None)
パラメータは次のとおりです。
フィールド | 意味 |
値 | 訓練された予測子 |
ファイル名 | モデルの名前を保存するには、圧縮を使用しない場合は、直接.pklで終了します。圧縮を使用する場合、次の拡張子の圧縮により (‘.z’, ‘.gz’, ‘.bz2’, ‘.xz’ or ‘.lzma’) 、圧縮メソッドが自動的に呼び出されます。 |
圧縮する | 圧縮レベル。値は整数0から9、ブール型、2タプルにすることができます ブールまたは2タプル、オプション。圧縮レベルを表します。 0またはFalseは圧縮がないことを意味し、値が大きいほど圧縮力が高く、読み取りと書き込みが遅いことを意味します。通常、3がより適切な圧縮値です。 最初の要素は、対応する圧縮方法で表される文字列である必要があります: 'zlib'、 'gzip'、 'bz2'、 'lzma''xz'; 2番目は0から9までの整数で、圧縮レベルを表します。 |
プロトコル | 正の整数。ピクルスプロトコル |
cache_size | 正の整数、廃止 |
(2)モデルの読み込み
#4)直接加载模型即可
sklearn.externals.joblib.load(filename, mmap_mode=None)
フィールド | 意味 |
ファイル名 | 保存されたモデルの名前にはパスが含まれます |
mmap_mode | なし、 'r +'、 'r'、 'w +'、 'c' |
2.例
では、機械学習の入門研究(12)-linear回帰はボストンでその住宅価格は正式な方程式を解くことによって予測することができます言及した。私たちはモデルを訓練した後、私たちはモデルを保存し、APIを呼び出すことができます。モデルが保存されています現在のディレクトリ。保存後、生成されたlinear.pklファイルが現在のディレクトリに表示されます。
#4)预估器
estimator = LinearRegression()
estimator.fit(x_train, y_train)
#4)直接将模型保存
joblib.dump(estimator,"linear.pkl")
モデルを使用する場合、トレーニングは必要ありません。モデルを直接ロードするだけです。
#4)预估器
#estimator = LinearRegression()
#estimator.fit(x_train, y_train)
#4)直接将模型保存
#joblib.dump(estimator,"linear.pkl")
#4)直接加载模型即可
estimator = joblib.load("linear.pkl")
このモデルでトレーニングしたエラー値はまだです
正规方程的误差值: 20.627513763095408