sklearn训练后使用pickle、joblib保存与恢复模型

在做模型训练的时候，尤其是在训练集上做交叉验证，通常想要将模型保存下来，然后放到独立的测试集上测试，下面介绍的是Python中训练模型的保存和再使用。

scikit-learn已经有了模型持久化的操作，导入joblib即可.

from sklearn.externals import joblib

模型保存

>>> os.chdir("workspace/model_save")
>>> from sklearn import svm
>>> X = [[0, 0], [1, 1]]
>>> y = [0, 1]
>>> clf = svm.SVC()
>>> clf.fit(X, y)  
>>> clf.fit(train_X,train_y)
>>> joblib.dump(clf, "train_model.m")

通过joblib的dump可以将模型保存到本地，clf是训练的分类器
模型从本地调回

>>> new_clf = joblib.load("train_model.m")

通过joblib的load方法，加载保存的模型。
然后就可以在测试集上测试了

new_clf.predit(test_X)  #此处test_X为特征集

#注意：模型保存后会出现.npy文件，可能很多，预测的使用需要依赖这个文件，cp模型的时候需要一起cp，不然会报错。所以我选择使用pickle

二、使用pickle模块

from sklearn import svm
from sklearn import datasets
clf=svm.SVC()
iris=datasets.load_iris()
X,y=iris.data,iris.target
clf.fit(X,y)

#保存模型
import pickle
s=pickle.dumps(clf)
f=open('svm.model','w')
f.write(s)
f.close()

#使用模型预测
f2=open('svm.model','r')
s2=f2.read()
clf2=pickle.loads(s2)
clf2.predit(X,y)