精华内容
下载资源
问答
  • python sklearn 模型保存 """ 保存训练的模型 """ import numpy as np import sklearn.linear_model as lm import pickle # 读取文本 x, y = np.loadtxt("./single.txt", delimiter=",", unpack=True) x = x....

    文件下载
    链接: https://pan.baidu.com/s/1UQydHMXQQAKiYdBc6VFbOA 提取码: wfde

    python sklearn 模型保存

    """
        保存训练的模型
    """
    import numpy as np
    import sklearn.linear_model as lm
    import pickle
    
    # 读取文本
    x, y = np.loadtxt("./single.txt", delimiter=",", unpack=True)
    x = x.reshape(-1, 1)
    
    # 构建线性回归模型
    model = lm.LinearRegression()
    model.fit(x, y)
    
    # 存储模型
    with open('./linear.pkl', 'wb') as f:
        pickle.dump(model, f)
        print("保存模型成功!")
    

    在这里插入图片描述

    python sklearn 模型加载使用

    """
        加载模型 并使用模型
    """
    import numpy as np
    import matplotlib.pyplot as mp
    import pickle
    
    # 读取文本
    x, y = np.loadtxt("./single.txt", delimiter=",", unpack=True)
    x = x.reshape(-1, 1)
    
    # 绘制散点
    mp.figure("Linear Regression", facecolor="lightgray")
    mp.title("Linear Regression", fontsize=16)
    mp.grid(linestyle=":")
    mp.scatter(x, y, s=70, color="dodgerblue", label="samples")
    
    # 加载模型 使用模型
    with open('./linear.pkl', 'rb') as f:
        model = pickle.load(f)
        prd_y = model.predict(x)
    
    # 绘制预测结果图
    mp.plot(x, prd_y, color="orangered", label="Predict")
    
    mp.legend()
    mp.tight_layout()
    mp.show()
    
    

    在这里插入图片描述

    展开全文
  • sklearn模型保存和加载 from sklearn.externals import joblib 保存: joblib.dump(rf,‘test.pkl’) 加载:estimator = joblib.load(‘test.pkl’) 格式pkl

    sklearn模型的保存和加载

    from sklearn.externals import joblib

    保存: joblib.dump(rf,‘test.pkl’)

    加载:estimator = joblib.load(‘test.pkl’) 格式pkl

    展开全文
  • 在做模型训练的时候,尤其是在训练集上做交叉验证,通常想要将模型保存下来,然后放到独立的测试集上测试,下面介绍的是Python中训练模型的保存再使用。scikit-learn已经有了模型持久化的操作,导入joblib即可from...

    在做模型训练的时候,尤其是在训练集上做交叉验证,通常想要将模型保存下来,然后放到独立的测试集上测试,下面介绍的是Python中训练模型的保存和再使用。

    scikit-learn已经有了模型持久化的操作,导入joblib即可

    from sklearn.externals import joblib
    • 1

    模型保存

    >>> os.chdir("workspace/model_save")
    >>> from sklearn import svm
    >>> X = [[0, 0], [1, 1]]
    >>> y = [0, 1]
    >>> clf = svm.SVC()
    >>> clf.fit(X, y)  
    >>> clf.fit(train_X,train_y)
    >>> joblib.dump(clf, "train_model.m")
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8

    通过joblib的dump可以将模型保存到本地,clf是训练的分类器

    模型从本地调回

    >>> clf = joblib.load("train_model.m")
    • 1

    通过joblib的load方法,加载保存的模型。

    然后就可以在测试集上测试了

    clf.predit(test_X) #此处test_X为特征集
    展开全文
  • sklearn模型的保存加载API from sklearn.externals import joblib 。保存:joblib.dump(estimator,'test.pkl') 。加载:estimator=joblib.load('test.pk') 将训练模型保存下来,下次有新的需要预测的数据传进来的...

    sklearn模型的保存和加载API

    from sklearn.externals import joblib

    。保存:joblib.dump(estimator,'test.pkl')
    。加载:estimator=joblib.load('test.pk')
    

    将训练模型保存下来,下次有新的需要预测的数据传进来的时候直接加载模型,然后预测就不用每次都从新训练了。

    案例:癌症(逻辑回归)分类预测–良/恶性

    import pandas as pd
    import numpy as np
    
    '''# 1、读取数据'''
    path = "https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data"
    column_name = ['Sample code number', 'Clump Thickness', 'Uniformity of Cell Size', 'Uniformity of Cell Shape',
                       'Marginal Adhesion', 'Single Epithelial Cell Size', 'Bare Nuclei', 'Bland Chromatin',
                       'Normal Nucleoli', 'Mitoses', 'Class']
    data = pd.read_csv(path, names=column_name)
    
    
    '''2 数据预处理'''
    # 2、缺失值处理
    # 1)替换-》np.nan
    data = data.replace(to_replace="?", value=np.nan)
    # 2)删除有缺失值的样本
    data.dropna(inplace=True)
    
    
    '''# 3、划分数据集'''
    from sklearn.model_selection import train_test_split
    
    # 筛选特征值和目标值
    x = data.iloc[:, 1:-1]
    y = data["Class"]
    x_train, x_test, y_train, y_test = train_test_split(x, y)
    
    
    '''# 4、特征工程---标准化'''
    from sklearn.preprocessing import StandardScaler
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)
    
    
    '''# 5、预估器流程'''
    from sklearn.linear_model import LogisticRegression
    
    estimator = LogisticRegression()
    estimator.fit(x_train, y_train)
    
    '''模型保存'''
    from sklearn.externals import joblib
    joblib.dump(estimator,'LogisticRegression.pkl')  #将模型保存在当前路劲下的LogisticRegression.pk文件里
    
    # 返回逻辑回归的模型参数:回归系数和偏置
    print('回归系数:',estimator.coef_) 
    print("误差(偏置):",estimator.intercept_)
    
    
    '''# 6、模型评估'''
    # 方法1:直接比对真实值和预测值
    y_predict = estimator.predict(x_test)  #计算预测值
    print("y_predict(预测值):\n", y_predict)
    # print("直接比对真实值和预测值:\n", y_test == y_predict)
    
    # 方法2:计算准确率
    score = estimator.score(x_test, y_test)
    print("准确率为:", score)
    
    # 查看精确率、召回率、F1-score
    from sklearn.metrics import classification_report
    report = classification_report(y_test, y_predict, labels=[2, 4], target_names=["良性", "恶性"])
    print("查看精确率、召回率、F1-score:\n",report)
    
    
    # ROC曲线与AUC指标
    from sklearn.metrics import roc_auc_score
    #print(y_test.head())
    # y_true:每个样本的真实类别,必须为0(反例),1(正例)标记
    # 将y_test 转换成 0 ,1
    y_true = np.where(y_test > 3, 1, 0)
    # print(y_true)
    AUC = roc_auc_score(y_true, y_predict)  #计算AUC指标:越接近1越好
    print("AUC:",AUC)
    
    
    回归系数: [[1.47945227 0.07579265 0.59505721 0.69195463 0.33274168 1.16446335
      1.16645995 0.92205206 0.72380317]]
    误差(偏置): [-0.93015988]
    y_predict(预测值):
     [4 4 2 4 2 2 4 4 4 2 2 4 2 2 4 2 4 4 2 2 2 2 4 2 2 4 2 2 4 2 4 4 2 4 2 4 2
     4 2 2 2 4 4 2 4 2 2 4 2 2 2 4 4 2 2 2 4 2 2 2 4 2 2 2 4 2 4 2 4 4 4 2 4 2
     2 4 2 2 2 4 2 4 2 2 2 4 4 4 2 4 2 2 4 2 4 4 2 2 2 2 2 2 2 4 2 2 2 4 2 2 2
     2 2 2 2 2 2 2 2 4 2 2 2 2 2 2 4 4 4 4 2 2 2 2 2 2 2 2 2 2 2 2 4 2 2 2 2 4
     2 2 2 2 2 2 2 4 2 4 2 2 2 4 4 4 2 2 2 2 4 2 2]
    准确率为: 0.9766081871345029
    查看精确率、召回率、F1-score:
                  precision    recall  f1-score   support
    
             良性       0.98      0.98      0.98       114
             恶性       0.96      0.96      0.96        57
    
    avg / total       0.98      0.98      0.98       171
    
    AUC: 0.9736842105263157
    
    '''加载模型并进行预测'''
    
    #载入需要预测的特征变量
    x = (data.iloc[:, 1:-1]).sample(50) #传入需要预测的特征变量,这里就暂时使用原来数据随机抽50个
    
    #对特征变量进行标准化处理
    from sklearn.preprocessing import StandardScaler  #对特征变量进行标准化处理
    transfer = StandardScaler()
    x_s = transfer.fit_transform(x)
    
    #载入模型并预测
    from sklearn.externals import joblib  #调用加载模型的API
    from sklearn.linear_model import LogisticRegression  #调用模型的API
    estimator=joblib.load('LogisticRegression.pkl')  #加载模型
    y_predict = estimator.predict(x_s)  #计算预测值
    print("y_predict(预测值):\n", y_predict)
    
    # 结果展示:构造二维表
    import pandas as pd
    data = pd.DataFrame(x)
    data["y_predict"]= y_predict
    display(data.head())
    
    y_predict(预测值):
     [2 2 4 2 2 4 4 4 2 2 2 2 2 4 4 4 2 2 2 4 4 2 2 2 2 2 2 2 2 2 2 2 2 4 2 2 2
     2 2 4 2 4 4 4 2 4 2 2 2 2]
    
    Clump ThicknessUniformity of Cell SizeUniformity of Cell ShapeMarginal AdhesionSingle Epithelial Cell SizeBare NucleiBland ChromatinNormal NucleoliMitosesy_predict
    4292111212112
    2196131213112
    32076325107464
    4235131212112
    6781111211112
    展开全文
  • sklearn保存和加载模型的方法 1.载入模块 1 from sklearn.externals import joblib 2.保存模型 1 joblib.dump(model,'filename.pkl') 3.加载模型 1 model = joblib.load('filename.pkl') 4....
  • Sklearn 模型保存与读取

    千次阅读 2020-07-29 19:45:37
    很简单,主要就是调用sklearn.external 的joblib来保存和加载模型. from sklearn.externals import joblib joblib.dump(模型变量,'文件名.pkl') 变量 = joblib.load('文件名.pkl') 来一个简单的示例代码 这个用于...
  • 引入包(注意joblib的引入,如果使用from sklearn.externals import joblib会报错“ImportError: cannot import name ‘joblib”)from sklearn.datasets import load_irisfrom sklearn.linear_model import ...
  • 文章目录模型的保存加载1.sklearn模型的保存加载API2.线性回归的模型保存加载案例2.1保存模型2.2加载模型2.3结果 1.sklearn模型的保存加载API from sklearn.externals import joblib - 保存:joblib.dump...
  • TensorFlow 模型保存/载入 我们在上线使用一个算法模型的时候,首先必须将已经训练好的模型保存下来。tensorflow保存模型的方式与sklearn不太一样,sklearn很直接,一个sklearn.externals.joblib的dump与load方法就...
  • TensorFlow 模型保存/载入我们在上线使用一个算法模型的时候,首先必须将已经训练好的模型保存下来。tensorflow保存模型的方式与sklearn不太一样,sklearn很直接,一个sklearn.externals.joblib的dump与load方法就...
  • TensorFlow 模型保存/载入我们在上线使用一个算法模型的时候,首先必须将已经训练好的模型保存下来。tensorflow保存模型的方式与sklearn不太一样,sklearn很直接,一个sklearn.externals.joblib的dump与load方法就...
  • 使用sklearn 的joblib模块载入模型时 错误提示No module named 'sklearn.liner_model' 主要原因:sklearn版本不对 如果使用0.21版本 为 ...注意:sklearn保存和载入模型 joblib 需要在同一版本下进行 ...
  • 很多模型训练完成之后,可以进行保存,下次使用时直接调用即可,不需要再次训练数据。接下来我将介绍sklearn模型保存和加载。 sklearn保存模型的api from sklean.externals import joblib
  • sklearn保存和读取模型 保存为pickle文件 import pickle # 保存模型 with open('model.pickle', 'wb') as f: pickle.dump(model, f) # 读取模型 with open('model.pickle', 'rb') as f: model = pickle.load(f...
  • TensorFlow 模型保存/载入的两种方法

    万次阅读 多人点赞 2017-05-08 16:02:05
    TensorFlow 模型保存/载入方法记录
  • Python sklearn模型选择

    千次阅读 2018-02-12 19:02:56
    1.主要功能如下:1.classification分类 2.Regression回归 ...5.Model selection模型选择 6.Preprocessing预处理 2.主要模块分类:1.sklearn.base: Base classes and utility function基础实用函数 2.sklear
  • sklearn保存: from sklearn.externals import joblib joblib.dump(model, "train_xxx.m") newmodel = joblib.load('train_xxx.m') newmodel.predict(x_test) 由于sklearn比较快.所以一般不保存 但深度学习框架...
  • Python sklearn模型选择、使用那些事儿 一. 主要功能 1.classification 分类 2.Regression 回归 3.Clustering 聚类 4.Dimensionality reduction 降维 5.Model selection 模型选择 6.Preprocessing 预处理 二....
  • sklearn 保存和加载模型的两种方法

    千次阅读 2018-09-28 10:30:44
    使用pickle模块或者sklearn内部的joblib #####方法一#### import pickle from sklearn.svm import SVC from sklearn import datasets # 定义分类器 svm = SVC() # 加载iris数据集 iris = datasets.load_iris()...
  • 本篇内容:一个简单的预测模型的建立、训练、保存和载入。导入必要模块:import numpy as np import pandas as pd import tensorflow as tf import ssl #解决数据源网站签名认证失败的问题 from sklearn.datasets ...
  • sklearn包在载入plk模型时报错No module named 'sklearn....载入已经保存好的模型时,发现报错“No module named ‘sklearn.liner_model.logistic’” 找了很多方法,重装numpy,sklearn,配置环境变量等等都试过,但还
  • sklearn模型转换为pmml格式并、放入android中执行 sklearn模型转换pmml格式 from sklearn2pmml import PMMLPipeline from sklearn2pmml import sklearn2pmml from sklearn.datasets import load_iris from sklearn...
  • sklearn训练模型保存与加载

    千次阅读 2019-07-20 23:49:01
    在机器学习的过程中,我们会进行模型的训练,最常用的就是sklearn中的库,而对于训练好的模型,我们当然是要进行保存的,不然下次需要进行预测的时候就需要重新再进行训练。如果数据量小的话,那再重新进行训练是...
  • sklearn 保存训练模型的两种方法

    千次阅读 2018-05-20 12:45:39
    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) # method:1 pickle # save import pickle # with open('save/c...
  • sklearn保存和加载模型的方法1.载入模块 1 from sklearn.externals import joblib2.保存模型 1 joblib.dump(model,'filename.pkl')3.加载模型 1 model = joblib.load('filename.pkl')4.例子 1 # -*- coding: utf-8...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,295
精华内容 518
关键字:

sklearn模型保存和载入