机器学习：模型的保存与加载

模型的保存和加载

API：from sklearn.externals import joblib

保存：

joblib.dump(rf, ‘test.pkl’)

加载：

estimator=joblib.load（‘test.pkl’)

例子：

from sklearn.datasets import load_boston
from sklearn.linear_model import LinearRegression,SGDRegressor,Ridge
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error
from sklearn.externals import joblib

def mylinear():
    """线性回归预测房子价格"""
    #获取数据
    lb=load_boston()

    #分割数据集的到训练集和测试集
    x_train,x_test,y_train,y_test=train_test_split(lb.data,lb.target,test_size=0.25)
    print(y_train,y_test)

    #进行标准化处理
    #特征值和目标值是都必须进行标准化处理，实例化两个标准化api
    std_x=StandardScaler()
    x_train=std_x.fit_transform(x_train)
    x_test=std_x.transform(x_test)

    #目标值
    std_y=StandardScaler()
    y_train=std_y.fit_transform(y_train.reshape(-1,1))
    y_test=std_y.transform(y_test.reshape(-1,1))

    #estimator预测
    #正规方程求解方式预测结果
    lr=LinearRegression()
    lr.fit(x_train,y_train)
    print("回归系数:",lr.coef_)

    #保存训练好的模型
    joblib.dump(lr,'./test.pkl')

    #预测测试集的房子价格
    y_lr_predict=std_y.inverse_transform(lr.predict(x_test))
    print("测试集里每个房子的预测价格：",y_lr_predict)
    print("正规方程均方误差",mean_squared_error(std_y.inverse_transform(y_test),y_lr_predict))


    return  None

if __name__ == '__main__':
    mylinear()

当我们保存好模型过后其实后面的训练就可以不需要了，可以拿这个模型直接开始预测。

#预测房价结果
    model=joblib.load('./test.pkl')
    y_predict=std_y.inverse_transform(model.predict(x_test))
    print("保存模型预测结果：",y_predict)

注意文件格式pkl结尾