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')

# 1.獲取資料 

data = load_boston(
)# 2.資料集劃分 資料的基本處理
x_train, x_test, y_train, y_test = train_test_split(data.data, data.target, random_state=22)
# 3.特徵工程-標準化
transfer = standardscaler(
)x_train = transfer.fit_transform(x_train)
x_test = transfer.fit_transform(x_test)
# 4.1 建立模型 例項化估計器
estimator = ridge(alpha=1)
# 4.2 訓練模型 fit 正規方程計算得到最優可訓練引數
estimator.fit(x_train, y_train)
#儲存模型
joblib.dump(estimator,
'./test.pkl'
)# 載入模型
estimator = joblib.load(
'./test.pkl'
)# 5.模型評估
y_predict = estimator.predict(x_test)
print
("**值為:\n"
, y_predict)
print
("模型中的係數為:\n"
, estimator.coef_)
print
("模型中的偏置為:\n"
, estimator.intercept_)
error = mean_squared_error(y_test, y_predict)
print
("誤差為:\n"
, error)

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...

sklearn模型的儲存和載入

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 bosto...

嶺回歸與sklearn模型的儲存與載入

帶有正則化的線性回歸 嶺回歸api sklearn.linear model.ridge 語法 sklearn.linear model.ridge alpha 1.0 具有l2正則化的線性最小二乘法 alpha 正則化力度 coef 回歸係數 正則化程度的變化，對結果的影響 正則化力度越大，權重越...