scikit-learn使用joblib持久化模型过程中的问题详解

在机器学习过程中，一般用来训练模型的过程比较长，所以我们一般会将训练的模型进行保存（持久化），然后进行评估，预测等等，这样便可以节省大量的时间。

在模型持久化过程中，我们使用scikit-learn提供的joblib.dump()方法，但是在使用过程中会出现很多问题。如我们使用如下语句：

 from sklearn.externals import joblib
 joblib.dump(clf,'../../data/model/randomforest.pkl')

此语句将产生大量的模型文件，如下图所示

然后，我们再使用joblib.load(‘../../data/model/randomforest.pkl’)进行加载.当设置参数时，模型持久化便会压缩成一个文件。

以下是我们进行模型持久化的正确操作语句：

 from sklearn.externals import joblib

 #save model
 joblib.dump(clf,'../../data/model/randomforest.pkl',compress=3)
 #load model to clf
 clf = joblib.load('../../data/model/randomforest.pkl')

 
   
  from sklearn.externals import joblib 
   
  #load model to clf   
  clf = joblib.load('../../data/model/randomforest.pkl')