保存訓練好的機器學習模型
當我們訓練好一個model后，下次如果還想用這個model，我們就需要把這個model保存下來，下次直接導入就好了，不然每次都跑一遍，訓練時間短還好，要是一次跑好幾天的那怕是要天荒地老了。。sklearn官網提供了兩種保存model的方法：官網地址
1.使用python自帶的pickle
from sklearn.ensemble import RandomForestClassifier
from sklearn import datasets
import pickle
#方法一:python自帶的pickle
(X,y) = datasets.load_iris(return_X_y=True)
rfc = RandomForestClassifier(n_estimators=100,max_depth=100)
rfc.fit(X,y)
print(rfc.predict(X[0:1,:]))
#save model
f = open('saved_model/rfc.pickle','wb')
pickle.dump(rfc,f)
f.close()
#load model
f = open('saved_model/rfc.pickle','rb')
rfc1 = pickle.load(f)
f.close()
print(rfc1.predict(X[0:1,:]))
2.使用sklearn中的模塊joblib
使用joblib模塊更加的簡單了，核心代碼就兩行
from sklearn.ensemble import RandomForestClassifier
from sklearn import datasets
from sklearn.externals import joblib
#方法二：使用sklearn中的模塊joblib
(X,y) = datasets.load_iris(return_X_y=True)
rfc = RandomForestClassifier(n_estimators=100,max_depth=100)
rfc.fit(X,y)
print(rfc.predict(X[0:1,:]))
#save model
joblib.dump(rfc, 'saved_model/rfc.pkl')
#load model
rfc2 = joblib.load('saved_model/rfc.pkl')
print(rfc2.predict(X[0:1,:]))
這兩個方法都可以，但是更推薦用第二種，即joblib，因為根據官網介紹，速度更快。
---------------------
原文：https://blog.csdn.net/u012328159/article/details/79255805