来自 sklearn 的 "transport" 训练模型的最佳实践
Best practice to "transport" trained model from sklearn
import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets, linear_model
# Create linear regression object
regr = linear_model.LinearRegression()
# Train the model using the training sets
regr.fit(X_train, y_train)
# how save ?????
# save here
什么最佳实践可以保存训练模型并在其他地方使用?
sklearn
有一个 joblib
模块用于保存模型 and/or 保存到文件:
from sklearn.externals import joblib
joblib.dump(regr, 'file_name.pkl')
# load pickled model later
regr = joblib.load('file_name.pkl')
您也可以使用 Python 的内置函数 pickle
,但是 docs 建议使用 joblib
来高效地 pickle 具有大型 numpy
数组的对象
import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets, linear_model
# Create linear regression object
regr = linear_model.LinearRegression()
# Train the model using the training sets
regr.fit(X_train, y_train)
# how save ?????
# save here
什么最佳实践可以保存训练模型并在其他地方使用?
sklearn
有一个 joblib
模块用于保存模型 and/or 保存到文件:
from sklearn.externals import joblib
joblib.dump(regr, 'file_name.pkl')
# load pickled model later
regr = joblib.load('file_name.pkl')
您也可以使用 Python 的内置函数 pickle
,但是 docs 建议使用 joblib
来高效地 pickle 具有大型 numpy
数组的对象