保存预测函数是机器学习模型部署的重要环节之一,可以使模型在其他环境中被调用。Python提供了多种方式来保存模型,常见的有pickle、joblib以及ONNX等格式。以下将详细讲解如何使用Python保存预测函数。
方法一:使用pickle保存预测函数
- 导入pickle模块
import pickle
- 训练模型并将预测函数保存到文件中
# 使用sklearn库的SVM模型作为示例
from sklearn import svm
from sklearn import datasets
iris = datasets.load_iris()
X = iris.data
y = iris.target
clf = svm.SVC()
clf.fit(X, y)
# 保存预测函数到文件中
with open('svm_model.pkl', 'wb') as f:
pickle.dump(clf.predict, f)
- 加载文件并使用预测函数进行预测
# 加载预测函数
with open('svm_model.pkl', 'rb') as f:
predict_func = pickle.load(f)
# 使用预测函数进行预测
print(predict_func([[5.1, 3.5, 1.4, 0.2]])) # 输出为[0]
方法二:使用joblib保存预测函数
- 导入joblib模块
import joblib
- 训练模型并将预测函数保存到文件中
# 使用sklearn库的SVM模型作为示例
from sklearn import svm
from sklearn import datasets
iris = datasets.load_iris()
X = iris.data
y = iris.target
clf = svm.SVC()
clf.fit(X, y)
# 保存预测函数到文件中
joblib.dump(clf.predict, 'svm_model.joblib')
- 加载文件并使用预测函数进行预测
# 加载预测函数
predict_func = joblib.load('svm_model.joblib')
# 使用预测函数进行预测
print(predict_func([[5.1, 3.5, 1.4, 0.2]])) # 输出为[0]
以上就是Python保存预测函数的完整攻略及代码实例。根据需求选择pickle、joblib或ONNX格式即可。