案例：利用保存svm训练模型用pickle或者joblib

最新推荐文章于 2024-01-01 02:54:36 发布

原创

最新推荐文章于 2024-01-01 02:54:36 发布 · 3k 阅读

6 ·

CC 4.0 BY-SA版权

本文通过案例详细介绍了如何使用pickle和joblib库来保存和支持SVM（支持向量机）训练模型，以便于后续调用和部署。首先展示了使用pickle模块将模型序列化的过程，接着演示了使用joblib进行模型保存的步骤，两者都是Python中常用的数据序列化工具，对于模型持久化非常实用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

pickle版本

from sklearn import svm
from sklearn.datasets import samples_generator
from sklearn.feature_selection import SelectKBest, f_regression
from sklearn.pipeline import make_pipeline
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report
import pickle 

print(__doc__)

# import some data to play with
X, y = samples_generator.make_classification(
    n_features=20, n_informative=3, n_redundant=0, n_classes=4,
    n_clusters_per_class=2)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)
# 
# # ANOVA SVM-C
# # 1) anova filter, take 3 best ranked features
# anova_filter = SelectKBest(f_regression, k=3)
# # 2) svm
# clf = svm.SVC(kernel='linear')
# 
# anova_svm = make_pipeline(anova_filter, clf)
# anova_svm.fit(X_train, y_train)

##保存模型
# # 以写二进制的方式打开文件
# file = open("model.pickle", "wb")
# # 把模型写入到文件中
# pickle.dump(anova_svm, file)
# # 关闭文件
# file.close(