Sklearn模型保存与加载全攻略

Sklearn 模型保存与加载

在机器学习项目中，训练好的模型需要保存以便后续部署或复用。Scikit-learn提供了多种方法实现模型的持久化，以下是常用的技术方案和代码示例。

---

使用 joblib 保存与加载模型

joblib 是Scikit-learn推荐的库，尤其适合包含大量NumPy数组的模型（如随机森林、神经网络等）。其优势在于高性能的序列化。

from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris
from joblib import dump, load

# 训练一个示例模型
data = load_iris()
X, y = data.data, data.target
model = RandomForestClassifier()
model.fit(X, y)

# 保存模型到文件
dump(model, 'random_forest.joblib')

# 加载模型
loaded_model = load('random_forest.joblib')
print(loaded_model.predict([[5.1, 3.5, 1.4, 0.2]]))  # 输出: [0]

---

使用 pickle 保存与加载模型

Python内置的pickle模块也可用于模型序列化，但效率通常低于joblib。

import pickle
from sklearn.svm import SVC

# 训练模型
model = SVC()
model.fit(X, y)

# 保存模型
with open('svc_model.pkl', 'wb') as f:
    pickle.dump(