本文主要介绍了两种机器学习模型的存储与读取方式，方便我们将训练好的模型直接存储起来，方便下次直接使用该模型进行预测。
1. 构建待存储的示例模型–鸢尾花数据集
# 导入sklearn的官方数据库 from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.model_selection import cross_val_score # 导入相关的算法 from sklearn.neighbors import KNeighborsClassifier iris = datasets.load_iris() # 提取出特征数据 data = iris.data # 提取标签数据 target = iris.target # 切分数据：将数据分为训练集和测试集，使用train_test_split方法 # rain_test_split方法首先会把data和target随机打乱，提取出给出比例的数据（包括特征和标签）作为测试数据，下面使用的10%数据作为测试集 x_train, x_test, y_train, y_test = train_test_split(data,target,test_size=0.1) # 创建模型 knn = KNeighborsClassifier(n_neighbors=5) # 训练 knn.fit(x_train,y_train) # 求的值n次交叉验证后的准确率均值 cross_val_score(knn,x_test,y_test,cv=3).mean()
0.8111111111111112
2. 模型存储
2.1 使用sklearn中的joblib存储
sklearn中提供了高效的模型持久化模块joblib，将模型保存至硬盘
from sklearn.externals import joblib # 使用joblib.dump保存模型 joblib.dump(knn, 'knn.model') # 使用joblib.load读取模型 knn_1 = joblib.load('knn.model') # 使用模型进行预测 y_pre = knn_1.predict(x_test) print(y_pre)
[1 1 2 1 2 0 1 2 1 2 2 1 2 1 0]
2.2 使用python自带的pickle模块存储模型
import pickle # pickle.dump保存模型 with open('./knn.pickle', 'wb') as f: pickle.dump(knn, f) # pickle.load读取模型 with open('./knn.pickle', 'rb') as f: knn2 = pickle.load(f) # 使用模型进行预测 y_pre2 = knn2.predict(x_test) print(y_pre2)
[1 1 2 1 2 0 1 2 1 2 2 1 2 1 0]
