当我们加载预训练模型但没有训练数据集时如何缩放预测数据？
How to scale prediction data when we load a pre-trained model and we don't have train dataset?
假设我有一个火车数据集。我把它分成训练/测试。对于训练，我使用标准缩放器对训练数据 fit.transform 进行转换，并对测试数据进行转换。然后，我训练一个模型并保存它。
train.py:
data = pd.read_csv("train.csv")
X = data["X"]
y = data["y"]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
scale = StandardScaler()
X_train_s = scale.fit_transform(X_train)
X_test_s = scale.transform(X_test)
model.fit(X_train_s, y_train)
y_pred = model.predcit(X_test_s)
# save model
joblib.dump(model, filename)
现在，我在另一个脚本中加载模型，并且我有另一个仅用于预测的数据集。问题是当我没有训练数据集时如何扩展预测数据集。 fit.transform 对预测数据集的预测是否正确？
prediction.py
data = pd.read_csv("prediction.csv")
X = data["X"]
y = data["y"]
scale = StandardScaler()
X_predict_s = scale.fit_transform(X)
loaded_model = joblib.load(filename)
y_pred = loaded_model(X_predict_s)
或者我必须将训练数据加载到 prediction.py 并将其用于 fit.transform 缩放器。
我喜欢使用 pickle，但同样的逻辑也适用于 joblib。
本质上，您必须转储缩放器并将其加载到新脚本中，就像您对 model 和 loaded_model 所做的那样。
在您训练模型的脚本中：
from pickle import dump
# save model
dump(model, open('model.pkl', 'wb'))
# save scaler
dump(scale, open('scale.pkl', 'wb'))
在加载模型的脚本中：
from pickle import load
# load model
loaded_model = load(model, open('model.pkl', 'rb'))
# load scaler
loaded_scale = load(scale, open('scale.pkl', 'rb'))
现在您必须使用 loaded_scale 转换数据并使用 loaded_model 对缩放后的数据进行预测。
假设我有一个火车数据集。我把它分成训练/测试。对于训练，我使用标准缩放器对训练数据 fit.transform 进行转换，并对测试数据进行转换。然后，我训练一个模型并保存它。
train.py:
data = pd.read_csv("train.csv")
X = data["X"]
y = data["y"]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
scale = StandardScaler()
X_train_s = scale.fit_transform(X_train)
X_test_s = scale.transform(X_test)
model.fit(X_train_s, y_train)
y_pred = model.predcit(X_test_s)
# save model
joblib.dump(model, filename)
现在，我在另一个脚本中加载模型，并且我有另一个仅用于预测的数据集。问题是当我没有训练数据集时如何扩展预测数据集。 fit.transform 对预测数据集的预测是否正确？
prediction.py
data = pd.read_csv("prediction.csv")
X = data["X"]
y = data["y"]
scale = StandardScaler()
X_predict_s = scale.fit_transform(X)
loaded_model = joblib.load(filename)
y_pred = loaded_model(X_predict_s)
或者我必须将训练数据加载到 prediction.py 并将其用于 fit.transform 缩放器。
我喜欢使用 pickle，但同样的逻辑也适用于 joblib。
本质上，您必须转储缩放器并将其加载到新脚本中，就像您对 model 和 loaded_model 所做的那样。
在您训练模型的脚本中：
from pickle import dump
# save model
dump(model, open('model.pkl', 'wb'))
# save scaler
dump(scale, open('scale.pkl', 'wb'))
在加载模型的脚本中：
from pickle import load
# load model
loaded_model = load(model, open('model.pkl', 'rb'))
# load scaler
loaded_scale = load(scale, open('scale.pkl', 'rb'))
现在您必须使用 loaded_scale 转换数据并使用 loaded_model 对缩放后的数据进行预测。