贸易网站建设方案,wordpress首页循环,如何给网站做提升,北京建设网 工程信息一、背景
现在我们预测每次都要重新运行一遍模型。完整的流程应该是不断调整阈值重复计算。 当训练或者计算好一个模型之后#xff0c;那么如果别人需要我们提供结果预测#xff0c;就需要保存模型#xff08;主要是保存算法的参数#xff09;。
二、sklearn模型的保存和…一、背景
现在我们预测每次都要重新运行一遍模型。完整的流程应该是不断调整阈值重复计算。 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。
二、sklearn模型的保存和加载API
1、import joblib 保存joblib.dump(rf, test.pkl) rf是预估器estimator test.pkl是保存的名字 将预估器序列化保存在本地 加载estimator joblib.load(test.pkl)
2、代码
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
import joblibdef linear1():正规方程的优化方法对波士顿房价进行预测# 1、获取数据boston load_boston()# 2、划分数据集x_train,x_test, y_train, y_test train_test_split(boston.data, boston.target, random_state10)# 3、标准化transfer StandardScaler()x_train transfer.fit_transform(x_train)x_test transfer.transform(x_test)# 4、预估器estimator LinearRegression()estimator.fit(x_train, y_train)# 5、得出模型print(正规方程-权重系数为\n, estimator.coef_)print(正规方程-偏置为\n, estimator.intercept_)# 6、模型评估y_predict estimator.predict(x_test)print(预测房价\n, y_predict)error mean_squared_error(y_test, y_predict)print(正规方程-均方误差为\n, error)return Nonedef linear2():梯度下降的优化方法对波士顿房价进行预测# 1、获取数据boston load_boston()# 2、划分数据集x_train,x_test, y_train, y_test train_test_split(boston.data, boston.target, random_state10)# 3、标准化transfer StandardScaler()x_train transfer.fit_transform(x_train)x_test transfer.transform(x_test)# 4、预估器estimator SGDRegressor()estimator.fit(x_train, y_train)# 5、得出模型print(梯度下降-权重系数为\n, estimator.coef_)print(梯度下降-偏置为\n, estimator.intercept_)# 6、模型评估y_predict estimator.predict(x_test)print(预测房价\n, y_predict)error mean_squared_error(y_test, y_predict)print(梯度下降-均方误差为\n, error)return Nonedef linear3():岭回归对波士顿房价进行预测# 1、获取数据boston load_boston()# 2、划分数据集x_train,x_test, y_train, y_test train_test_split(boston.data, boston.target, random_state10)# 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()estimator.fit(x_train, y_train)# 保存模型joblib.dump(estimator, 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(预测房价\n, y_predict)error mean_squared_error(y_test, y_predict)print(岭回归-均方误差为\n, error)return Nonedef linear4():岭回归对波士顿房价进行预测# 1、获取数据boston load_boston()# 2、划分数据集x_train,x_test, y_train, y_test train_test_split(boston.data, boston.target, random_state10)# 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(预测房价\n, y_predict)error mean_squared_error(y_test, y_predict)print(岭回归-均方误差为\n, error)return Noneif __name__ __main__:# 代码1正规方程的优化方法对波士顿房价进行预测linear1()# 代码2梯度下降的优化方法对波士顿房价进行预测linear2()# 代码3岭回归对波士顿房价进行预测linear3()# 代码4加载模型linear4()
