2024-04-25 18:52:57 发布
网友
来自scikit手册:http://scikit-learn.org/stable/modules/model_persistence.html
1.2.4模型持久性 通过使用Python的内置持久性模型pickle,可以将模型保存在scikit中。
>>> 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(kernel=’rbf’, C=1.0, probability=False, degree=3, coef0=0.0, eps=0.001, cache_size=100.0, shrinking=True, gamma=0.00666666666667) >>> import pickle >>> s = pickle.dumps(clf) >>> clf2 = pickle.loads(s) >>> clf2.predict(X[0]) array([ 0.]) >>> y[0] 0
在scikit的特定情况下,使用joblib替换pickle可能更有趣,后者更有趣 高效处理大数据,但只能pickle到磁盘,而不能pickle到字符串:
>>> from sklearn.externals import joblib >>> joblib.dump(clf, ’filename.pkl’)
您可以保存模型以便以后使用。 我编写了下面的代码,以便在存在之前安装并保存的模型时使用该模型。
from sklearn.externals import joblib svm_linear_estimator = svm.SVC(kernel='linear', probability=False, C=1) try: estimator = joblib.load("/my_models/%s.pkl"%dataset_name) print "using trained model" except: print "building new model" estimator.fit(data_train, class_train) joblib.dump(estimator,"/my_models/%s.pkl"%dataset_name)
来自scikit手册:http://scikit-learn.org/stable/modules/model_persistence.html
1.2.4模型持久性 通过使用Python的内置持久性模型pickle,可以将模型保存在scikit中。
在scikit的特定情况下,使用joblib替换pickle可能更有趣,后者更有趣 高效处理大数据,但只能pickle到磁盘,而不能pickle到字符串:
您可以保存模型以便以后使用。 我编写了下面的代码,以便在存在之前安装并保存的模型时使用该模型。
相关问题 更多 >
编程相关推荐