scikit-learn系列之如何存储和导入机器学习模型

如何存储和导入机器学习模型

找到一个准确的机器学习模型，你的项目并没有完成。本文中你将学习如何使用scikit-learn来存储和导入机器学习模型。你可以把你的模型保持到文件中，然后再导入内存进行预测。

1. 用Pickle敲定你的模型

Pickle是python中一种标准的序列化对象的方法。你可以使用pickle操作来序列化你的机器学习算法，保存这种序列化的格式到一个文件中。稍后你可以导入这个文件反序列化你的模型，用它进行新的预测。以下的例子向你展示：如何使用Pima Indians onset of diabetes数据集，训练一个logistic回归模型，保存模型到文件，导入模型对未知数据进行预测。运行以下代码把模型存入你工作路径中的finalized_model.sav，导入模型，用未知数据评估模型的准确率。

# Save Model Using Pickle

import pandas

from sklearn import model_selection

from sklearn.linear_model import LogisticRegression

import pickle

url = "https://archive.ics.uci.edu/ml/machine-learning-databases/pima-indians-diabetes/pima-indians-diabetes.data"

names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']

dataframe = pandas.read_csv(url, names=names)

array = dataframe.values

X = array[:,0:8]

Y = array[:,8]

test_size = 0.33

seed = 7

X_train, X_test, Y_train, Y_test = model_selection.train_test_split(X, Y, test_size=test_size, random_state=seed)

# Fit the model on 33%

model = LogisticRegression()

model.fit(X_train, Y_train)

# save the model to disk

filename = 'finalized_model.sav'

pickle.dump(model, open(filename, 'wb'))

# some time later...

# load the model from disk

loaded_model = pickle.load(open(filename, 'rb'))

result = loaded_model.score(X_test, Y_test)

print(result)

2. 用joblib敲定你的模型

Joblib 是SciPy生态的一部分，为管道化python的工作提供的工具。它提供了存储和导入python对象的工具，可以对Numpy数据结构进行有效的利用。这对于要求很多参数和存储整个数据集的算法(比如K-Nearest Neighbors)很有帮助。以下代码向你展示：如何使用Pima Indians onset of diabetes数据集，训练一个logistic回归模型，使用joblib保存模型到文件，导入模型对未知数据进行预测。运行以下代码把模型存入你工作路径中的finalized_model.sav，也会创建一个文件保存Numpy数组，导入模型，用未知数据评估模型的准确率。

# Save Model Using joblib

import pandas

from sklearn import model_selection

from sklearn.linear_model import LogisticRegression

from sklearn.externals import joblib

url = "https://archive.ics.uci.edu/ml/machine-learning-databases/pima-indians-diabetes/pima-indians-diabetes.data"

names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']

dataframe = pandas.read_csv(url, names=names)

array = dataframe.values

X = array[:,0:8]

Y = array[:,8]

test_size = 0.33

seed = 7

X_train, X_test, Y_train, Y_test = model_selection.train_test_split(X, Y, test_size=test_size, random_state=seed)

# Fit the model on 33%

model = LogisticRegression()

model.fit(X_train, Y_train)

# save the model to disk

filename = 'finalized_model.sav'

joblib.dump(model, filename)

# some time later...

# load the model from disk

loaded_model = joblib.load(filename)

result = loaded_model.score(X_test, Y_test)

print(result)

3. 保存模型的几点提醒

当你存储你的机器学习模型时，需要考虑以下重要问题。一定要记住，记录下你的工具版本，以便于重构环境。

1. python的版本：记录下python的版本。需要相同大版本号的python来序列化和反序列化模型。

2. 库的版本：主要的库的版本要保持一致，不仅限于Numpy和scikit-learn的版本。

3. 手动序列化：你可能想要手动的输出你的模型参数以便于你可以直接把他们用在scikit-learn或者其他的平台。确实学习算法参数实现比算法本身实现要难得多。如果你有能力也可以自己写代码来导出参数。

4. 知识点：

model_selection.train_test_split

pickle.dump, pickle.load

joblib.dump, joblib.load