scikit-learn的基本用法——模型保存与加载

关注

转载最新推荐文章于 2026-03-07 00:12:03 发布 1.1k 阅读 AI 写同款· GEO 优化 ›

【21-模型持久化：保存和加载Scikit-learn模型】在机器学习的实践中，模型持久化是一个至关重要的环节。它允许我们保存模型的当前状态，以便未来能够无需重新训练即可重用模型。本文将指导您如何使用Scikit-learn进行模型的保存和加载。阅读详情

本文主要介绍scikit-learn中的模型的保存与加载。

Demo 1

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

# 定义分类器
svm = SVC()

# 加载iris数据集
iris = datasets.load_iris()
# 读取特征
X = iris.data
# 读取分类标签
y = iris.target

# 训练模型
svm.fit(X, y)

# 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_svm = pickle.load(fr)
    print new_svm.predict(X[0:1])
 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

结果

[0]
 1

Demo 2

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

# 定义分类器
svm = SVC()

# 加载iris数据集
iris = datasets.load_iris()
# 读取特征
X = iris.data
# 读取分类标签
y = iris.target

# 训练模型
svm.fit(X, y)

# 保存成sklearn自带的文件格式
joblib.dump(svm, 'svm.pkl')

# 加载svm.pkl
new_svm = joblib.load('svm.pkl')
print new_svm.predict(X[0:1])
 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23