sklearn 中模型保存的兩種方法

一、 sklearn中提供了高效的模型持久化模塊joblib，將模型保存至硬盤。

from sklearn.externals import joblib #lr是一個LogisticRegression模型 joblib.dump(lr, 'lr.model') lr = joblib.load('lr.model')

二、pickle

>>> 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(C=1.0, cache_size=200, class_weight=None, coef0=0.0, decision_function_shape=None, degree=3, gamma='auto', kernel='rbf', max_iter=-1, probability=False, random_state=None, shrinking=True, tol=0.001, verbose=False) >>> import pickle >>> s = pickle.dumps(clf) >>> clf2 = pickle.loads(s) >>> clf2.predict(X[0:1]) array([0]) >>> y[0] 0


或者 ：

>>> from sklearn.externals import joblib >>> joblib.dump(clf, 'filename.pkl') >>> clf = joblib.load('filename.pkl') 

兩種保存Model的模塊pickle與joblib。

使用 pickle 保存 

首先簡單建立與訓練一個SVCModel。

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)

==========================================================================================================

使用pickle來保存與讀取訓練好的Model。 (若忘記什么是pickle，可以回顧13.8 pickle 保存數據視頻。)

import pickle #pickle模塊 #保存Model(注:save文件夾要預先建立，否則會報錯) with open('save/clf.pickle', 'wb') as f: pickle.dump(clf, f) #讀取Model with open('save/clf.pickle', 'rb') as f: clf2 = pickle.load(f) #測試讀取后的Model print(clf2.predict(X[0:1])) ==========================================================================================================

使用 joblib 保存 

joblib是sklearn的外部模塊。

from sklearn.externals import joblib #jbolib模塊 #保存Model(注:save文件夾要預先建立，否則會報錯) joblib.dump(clf, 'save/clf.pkl') #讀取Model clf3 = joblib.load('save/clf.pkl') #測試讀取后的Model print(clf3.predict(X[0:1])) 

最后可以知道joblib在使用上比較容易，讀取速度也相對pickle快。

 

 

參考資料：https://www.cnblogs.com/USTC-ZCC/p/10106725.html

https://blog.csdn.net/u011311291/article/details/79731006