1 简介

当训练或者计算好一个模型之后，那么如果别人需要我们提供结果预测，就需要保存模型（主要是保存算法的参数）

2 sklearn模型的保存和加载API

from sklearn.externals import joblib

保存：joblib.dump(rf, 'test.pkl')

加载：estimator = joblib.load('test.pkl')

注：这个test.pkl是路径加上后缀
用的时候直接joblib.load就行直接返回一个我们之前调参好的estimator

3 例如

保存时

from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LinearRegression,SGDRegressor,Ridge
from sklearn.metrics import mean_squared_error
from sklearn.externals import joblib
def linear3():
    """
    岭回归的优化方法对波士顿房价进行预测
    :return:
    """
    #1)获取数据
    bosten = load_boston()
    #2)划分数据集
    x_train,x_test,y_train,y_test=train_test_split(bosten.data,bosten.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
    estimator=Ridge(alpha=0.5,max_iter=10000)
    estimator.fit(x_train,y_train)
    #保存模型
    joblib.dump(estimator,"my_ridge.pkl")

    # 加载模型
    #estimator=joblib.load("my_ridge.pkl")

    #5）得出模型
    print("岭回归-权重系数为：\n",estimator.coef_)
    print("岭回归-偏置为:\n",estimator.intercept_)
    #6）模型评估
    y_predict=estimator.predict(x_test)
    print("岭回归:\n",y_predict)
    error =mean_squared_error(y_test,y_predict)
    print("岭回归-均方误差：\n",error)

    return None

运行之后：

加载时：
这是就不需要要在预测一遍了

def linear3():
    """
    岭回归的优化方法对波士顿房价进行预测
    :return:
    """
    #1)获取数据
    bosten = load_boston()
    #2)划分数据集
    x_train,x_test,y_train,y_test=train_test_split(bosten.data,bosten.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")

    #5）得出模型
    print("岭回归-权重系数为：\n",estimator.coef_)
    print("岭回归-偏置为:\n",estimator.intercept_)
    #6）模型评估
    y_predict=estimator.predict(x_test)
    print("岭回归:\n",y_predict)
    error =mean_squared_error(y_test,y_predict)
    print("岭回归-均方误差：\n",error)

    return None