訓練好的模型可以先儲存起來，下一次可以使用時直接載入即可，這樣既節省了時間也提高了效率
from sklearn.externals import joblib
try:
lr = joblib.load(
"../data/lr.pkl"
)print
('已載入現有模型'
)except
: lr = linearregression(
) lr.fit(x_train, y_train)
joblib.dump(lr,
"../data/lr.pkl"
)# **資料
y_predict = lr.predict(x_test)
score = lr.score(x_test, y_test)
print
('測試集**率:'
, score)
print
('梯度下降均方誤差為:'
, mean_squared_error(y_test, y_predict)
)
沒有超引數 只能解決回歸問題 (如果要解決分類問題，則可以使用邏輯回歸)
對資料有假設：資料與輸出結果之間有一定的線性關係
優點：白盒子演算法，對資料具有很強的解釋型
sklearn模型儲存與載入
from sklearn.externals import joblib 儲存 joblib.dump estimator,test.pkl 載入 estimator joblib.load test.pkl 注意 儲存的字尾名是.pkl 1.獲取資料 data load boston 2.資料集劃...
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...