訓練好了乙個model 以後總需要儲存和再次**, 所以儲存和讀取我們的sklearn model也是同樣重要的一步。
比如，我們根據**樣本資料訓練了一下房價模型，當使用者輸入自己的房子後，我們就需要根據訓練好的房價模型來**使用者房子的**。
這樣就需要在訓練模型後把模型儲存起來，在使用模型時把模型讀取出來對輸入的資料進行**。
這裡儲存和讀取模型有兩種方法，都非常簡單，差別在於儲存和讀取速度的快慢上，因為有乙個是利用了多程序機制，下面我們分別來看一下。
首先我們建立模型並訓練資料：
from sklearn.datasets import load_digits
from sklearn.svm import svc
# 載入資料
digits = load_digits()
x = digits.data
y = digits.target
model = svc()
model.fit(x, y)
import pickle
# 以寫二進位制的方式開啟檔案
file = open("d:/data/python/model.pickle", "wb")
# 把模型寫入到檔案中
pickle.dump(model, file)
# 關閉檔案
file.close()
有了模型檔案之後，在進行**時我們就不需要進行訓練了，而只要把這個訓練好的模型檔案讀取出來，然後直接進行**就可以：
import pickle
# 以讀二進位制的方式開啟檔案
file = open("d:/data/python/model.pickle", "rb")
# 把模型從檔案中讀取出來
model = pickle.load(file)
# 關閉檔案
file.close()
# 用模型進行**
from sklearn.datasets import load_digits
digits = load_digits()
x = digits.data
y = digits.target
print("**值：", model.predict(x[15:20]))
print("實際值：", y[15:20])
**值： [5 6 7 8 9]
實際值： [5 6 7 8 9]
from sklearn.datasets import load_digits
from sklearn.svm import svc
# 用模型進行訓練
digits = load_digits()
x = digits.data
y = digits.target
model = svc()
model.fit(x, y)
# 用joblib儲存模型
from sklearn.externals import joblib
joblib.dump(model, "d:/data/python/model.joblib")
讀取模型：
# 用joblib讀取模型
from sklearn.externals import joblib
model = joblib.load("d:/data/python/model.joblib")
# 對資料進行**
from sklearn.datasets import load_digits
digits = load_digits()
x = digits.data
y = digits.target
print("**值：", model.predict(x[15:20]))
print("實際值：", y[15:20])
**值： [5 6 7 8 9]
實際值： [5 6 7 8 9]
sklearn資料庫 老魚學sklearn
在做機器學習時需要有資料進行訓練，幸好sklearn提供了很多已經標註好的資料集供我們進行訓練。本節就來看看sklearn提供了哪些可供訓練的資料集。這些資料位於datasets中，為 載入波士頓房價資料，可以用於線性回歸用 sklearn.datasets.load boston 載入方式為 fr...
sklearn交叉驗證 老魚學sklearn
交叉驗證 cross validation 有時亦稱迴圈估計，是一種統計學上將資料樣本切割成較小子集的實用方法。於是可以先在乙個子集上做分析，而其它子集則用來做後續對此分析的確認及驗證。一開始的子集被稱為訓練集。而其它的子集則被稱為驗證集或測試集。交叉驗證是一種評估統計分析 機器學習演算法對獨立於訓...
sklearn交叉驗證3 老魚學sklearn
在上乙個博文中，我們用learning curve函式來確定應該擁有多少的訓練集能夠達到效果，就像乙個人進行學習時需要做多少題目就能擁有較好的考試成績了。本次我們來看下如何調整學習中的引數，類似乙個人是在早上7點鐘開始讀書好還是晚上8點鐘讀書好。資料仍然利用手寫數字識別作為訓練資料 from skl...