8.sklearn-模型保存
文章目录
- 环境配置（必看）
- 头文件引用
- 1.保存模型
- 代码工程
- 运行结果
- 生成文件
- 2.加载模型
- 代码工程
- 运行结果
环境配置（必看）
Anaconda-创建虚拟环境的手把手教程相关环境配置看此篇文章，本专栏深度学习相关的版本和配置，均按照此篇文章进行安装。
头文件引用
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import Ridge
from sklearn.metrics import mean_squared_error
import joblib
1.保存模型
代码工程
将模型信息保存到my_ridge.pkl文件中
def linear3():"""岭回归对波士顿房价进行预测:return:"""# 1.获取数据集boston = load_boston()print(f"特征数量: {boston.data.shape}")# 2.划分数据集x_train, x_test, y_train, y_test = train_test_split(boston.data, boston.target, random_state=22)# 3.标准化transfer = StandardScaler()x_train = transfer.fit_transform(x_train)x_test = transfer.transform(x_test)# 4.预估器 alpha：正则化力度 max_iter:迭代次数estimator = Ridge(alpha=0.5, max_iter=10000)estimator.fit(x_train, y_train)# 保存模型joblib.dump(estimator, "my_ridge.pkl")# 5.得出模型print(f"岭回归权重系数为: {estimator.coef_}")print(f"岭回归权重为: {estimator.intercept_}")# 6.模型评估y_predict = estimator.predict(x_test)# print(f"预测房价: {y_predict}")error = mean_squared_error(y_test, y_predict)print(f"岭回归-均方误差: {error} \n")
运行结果
生成文件
此文件中保存的是模型的信息
2.加载模型
代码工程
def read_model():"""加载本地模型信息:return:"""# 1.获取数据集boston = load_boston()print(f"特征数量: {boston.data.shape}")# 2.划分数据集x_train, x_test, y_train, y_test = train_test_split(boston.data, boston.target, random_state=22)# 3.标准化transfer = StandardScaler()x_train = transfer.fit_transform(x_train)x_test = transfer.transform(x_test)# 加载模型estimator = joblib.load("my_ridge.pkl")# 得出模型print(f"岭回归权重系数为: {estimator.coef_}")print(f"岭回归权重为: {estimator.intercept_}")# 模型评估y_predict = estimator.predict(x_test)# print(f"预测房价: {y_predict}")error = mean_squared_error(y_test, y_predict)print(f"岭回归-均方误差: {error} \n")
运行结果
可以和上边保存模型的运行结果做对比，对比的结果是一样的，说明保存模型参数成功
