儲存模型
from sklearn.datasets import load_boston
from sklearn.linear_model import linearregression,sgdregressor,ridge
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import standardscaler
from sklearn.metrics import mean_squared_error
import joblib
defmylinear()
:"""
線性回歸直接**房子**
:return:
"""# 獲取資料
lb = load_boston(
)# 分割資料到訓練集和測試集
x_train,x_test,y_train,y_test = train_test_split(lb.data,lb.target,test_size=
0.25
)print
(y_train,x_test)
# 進行標準化處理
# 特徵值和目標值都必須進行標準化處理（例項化2個標準化api）
# 特徵值標準化處理
std_x = standardscaler(
) x_train = std_x.fit_transform(x_train)
x_test = std_x.transform(x_test)
# 目標值標準化處理
std_y = standardscaler(
) y_train = std_y.fit_transform(y_train.reshape(-1
,1))
# 要求資料必須是二維我們需要使用reshape(-1,1)進行轉換
y_test = std_y.transform(y_test.reshape(-1
,1))
# estimator**
# 正規方程求解**結果
lr = linearregression(
) lr.fit(x_train,y_train)
print
(lr.coef_)
# 儲存訓練好的模型
joblib.dump(lr,
"test.pkl"
)# **測試集的房子**
y_lr_predict = lr.predict(x_test)
y_lr_predict = std_y.inverse_transform(y_lr_predict)
# 將降維後的資料轉換成原始資料
print
("正規方程測試集裡面每個房子的****:"
,y_lr_predict)
print
("正規方程的均方誤差:"
呼叫模型**的結果
from sklearn.datasets import load_boston
from sklearn.linear_model import linearregression,sgdregressor,ridge
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import standardscaler
from sklearn.metrics import mean_squared_error
import joblib
defmylinear()
:"""
線性回歸直接**房子**
:return:
"""# 獲取資料
lb = load_boston(
)# 分割資料到訓練集和測試集
x_train,x_test,y_train,y_test = train_test_split(lb.data,lb.target,test_size=
0.25
)print
(y_train,x_test)
# 進行標準化處理
# 特徵值和目標值都必須進行標準化處理（例項化2個標準化api）
# 特徵值標準化處理
std_x = standardscaler(
) x_train = std_x.fit_transform(x_train)
x_test = std_x.transform(x_test)
# 目標值標準化處理
std_y = standardscaler(
) y_train = std_y.fit_transform(y_train.reshape(-1
,1))
# 要求資料必須是二維我們需要使用reshape(-1,1)進行轉換
y_test = std_y.transform(y_test.reshape(-1
,1))
# 呼叫儲存好的模型進行**
model = joblib.load(
"test.pkl"
) y_predict = std_y.inverse_transform(model.predict(x_test)
)print
("呼叫模型**的結果:"
機器學習與深度學習 模型的儲存和載入
我們再建模完畢以後，並不需要每次都把資料重新執行，而是將資料模型給保留下來 from sklearn.externals import joblib 儲存 joblib.dump estimator,test.m 載入 estimator joblib.load test.m 詳細案例 import...
機器學習模型儲存
在訓練完成機器學習模型後，經常將滿足需要的機器學習模型進行儲存，本文以svm演算法為例，講解模型儲存和呼叫的方法。joblib.dump 模型,模型命名 將訓練模型儲存起來如 from sklearn.svm import svc from sklearn.metrics import classi...
機器學習 模型儲存
目錄 pickle模組 sklearn joblib模組 hive分割槽表 在訓練模型後將模型儲存的方法，以免下次重複訓練。以及大資料裡直接將bi模型結果儲存在hive表裡。from sklearn import svm from sklearn import datasets import pic...