sklearn模型的儲存和載入api
線性回歸的模型儲存載入案例
"""模型儲存和載入
:return: none
"""# 1.獲取資料
boston = load_boston()
# 2.資料基本處理
# 2.1 資料集劃分
x_train, x_test, y_train, y_test = train_test_split(boston.data, boston.target, random_state=22, test_size=0.2)
# 3.特徵工程 --標準化
transfer = standardscaler()
x_train = transfer.fit_transform(x_train)
x_test = transfer.fit_transform(x_test)
## # 4.機器學習(線性回歸)
# # 4.1 模型訓練
# estimator = ridge()
## estimator.fit(x_train, y_train)
# print("這個模型的偏置是:\n", estimator.intercept_)
## # 4.2 模型儲存
# joblib.dump(estimator, "../../data/test.pkl")
# 4.3 模型載入
estimator = joblib.load("../../data/test.pkl")
# 5.模型評估
# 5.1 **值和準確率
y_pre = estimator.predict(x_test)
print("**值是:\n", y_pre)
score = estimator.score(x_test, y_test)
print("準確率是:\n", score)
# 5.2 均方誤差
ret = mean_squared_error(y_test, y_pre)
print("均方誤差是:\n", ret)
if __name__ == '__main__':
dump_load_demo()
訓練模型儲存和載入（sklearn）
很多模型訓練完成之後，可以進行儲存，下次使用時直接呼叫即可，不需要再次訓練資料。接下來我將介紹sklearn中模型的儲存和載入。from sklean.externals import joblib 儲存訓練模型 joblib.dump lr,tmp test.pkl 匯入模型資料 lr2 jobl...
儲存和載入模型
在訓練模型過程中，由於資料集較大，模型訓練迭代次數較多等原因，使得模型訓練較耗時，因此將訓練好的模型進行儲存以便下次直接使用是很有必要，下面介紹兩種模型的儲存和載入方法 1.使用pickle模組 1 儲存模型 with open 模型儲存的位置 wb as f pickle.dump model,f...
模型儲存和載入
當訓練或者計算好乙個模型之後，那麼如果別人需要我們提供結果 就需要儲存模型 主要是儲存演算法的引數 使用線性模型進行 使用正規方程求解 lr linearregression 此時在幹什麼？lr.fit x train,y train 儲存訓練完結束的模型 joblib.dump lr,test.p...