在Python中保存预测函数通常需要将模型保存为一个文件，以便在需要预测时以后重用。下面是保存预测函数的完整攻略，包括两条代码实例说明。
步骤一：训练模型并进行预测
首先，使用Python训练模型并进行预测，以确保模型能够正确地预测结果。下面是一个简单的Python代码示例：
# 导入模块
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
# 加载数据集
iris = datasets.load_iris()
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=0)
# 创建逻辑回归模型
clf = LogisticRegression()
# 训练模型
clf.fit(X_train, y_train)
# 预测结果
y_pred = clf.predict(X_test)
# 打印准确率
print("Accuracy :", clf.score(X_test, y_test))
步骤二：保存模型
训练模型并进行预测后，可以将模型保存为一个文件，以便在需要预测时以后重用。在Python中，可以使用pickle模块来完成模型的保存和加载。
下面是一个示例代码，演示了如何将逻辑回归模型保存为文件：
# 导入模块
import pickle
# 保存模型
with open('logistic_regression.pkl', 'wb') as f:
pickle.dump(clf, f)
步骤三：加载模型并进行预测
在需要预测时，可以从文件中加载保存的模型并进行预测。
下面是一个示例代码，演示了如何加载保存的逻辑回归模型并进行预测：
# 加载模型
with open('logistic_regression.pkl', 'rb') as f:
clf_loaded = pickle.load(f)
# 预测结果
y_pred_loaded = clf_loaded.predict(X_test)
# 打印准确率
print("Accuracy after loading the saved model:", clf_loaded.score(X_test, y_test))
要注意的是，将模型保存到文件并加载时，需要确保使用相同的库和版本来避免出现错误。另外，pickle还提供了其他选项，例如将模型保存为字符串等，这可以根据应用程序的要求进行更改。