模型持久化方法（pickle和PMML）

最新推荐文章于 2024-05-31 20:00:00 发布

ErbaoLiu

最新推荐文章于 2024-05-31 20:00:00 发布

阅读量2k

点赞数

分类专栏：机器学习&大模型自然语言处理&大模型

本文链接：https://blog.youkuaiyun.com/L_15156024189/article/details/104788886

版权

机器学习&大模型同时被 2 个专栏收录

86 篇文章 ¥59.90 ¥99.00

订阅专栏

自然语言处理&大模型

58 篇文章 ¥59.90 ¥99.00

订阅专栏

本文介绍了Python中两种模型持久化方法：pickle和PMML。pickle方法适用于在同一Python环境中保存和加载模型，而PMML则提供了一种跨环境的标准，允许在Python训练的模型在Java等环境中使用。文中提供了详细的代码示例，包括pickle模型的保存和加载，以及PMML模型的生成和Java环境中的调用过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

pickle方式

pickle方式应用场景：在python环境中训练模型，然后使用pickle将模型持久化为一个模型文件，然后就可以在python环境加载持久化后的模型文件对新数据进行预测。

1、安装pickle模块

pip install pickle

2、代码示例

pickle_demo.py模块完成了模型的训练，持久化和模型加载代码如下：

"""
pickle方式模型持久化
"""

import pickle
from sklearn import linear_model as lm
from src.utils import read_data
import os


def train_and_save_model(data, model_path):
    model = lm.LinearRegression()
    model.fit(data[["x"]], data["y"])
    pickle.dump(model, open(model_path, "wb"))

    return model


def load_model(model_path):
    model = pickle.load(open(model_path, "rb"))
    print(model.coef_)
    return model


if __name__

了解本专栏