机器学习之保存与加载.pickle模型文件

import pickle
from sklearn.externals import joblib
from sklearn.svm import SVC
from sklearn import datasets

#定义一个分类器
svm = SVC()

iris = datasets.load_iris()
X = iris.data
y = iris.target

#训练模型
svm.fit(X,y)

#1.保存成Python支持的文件格式Pickle
#在当前目录下可以看到svm.pickle
with open('svm.pickle','wb') as fw:
    pickle.dump(svm,fw)
#加载svm.pickle
with open('svm.pickle','rb') as fr:
    new_svm1 = pickle.load(fr)

# print (new_svm1.predict(X[0:1]))

#2.保存成sklearn自带的文件格式Joblib
joblib.dump(svm,'svm.pkl')
#加载svm.pkl
new_svm2 = joblib.load('svm.pkl')
print (new_svm2.predict(X[0:1]))

总结：

1.训练好一个Model以后需要保存和再次预测
2.有两个模块用来保存模型 : pickle和joblib
3.Sklearn的模型导出本质上是利用Python的Pickle机制。对Python的函数进行序列化，也就是把训练好的Transformer函数序列化并存为文件。

代码流程：
　　1.保存Model(注:save文件夹要预先建立，否则会报错)

　　　　joblib.dump(clf, ‘save/clf.pkl’)

　　2.读取Model

　　　　clf2 = joblib.load(‘save/clf.pkl’)

　　3.测试读取后的Model

　　　　print(clf2.predict(X[0:1]))**