Untuk memetik pengelas terlatih dalam Python menggunakan modul 'acar', kita boleh mengikuti beberapa langkah mudah. Penjerukan membolehkan kami mensirikan objek dan menyimpannya ke fail, yang kemudiannya boleh dimuatkan dan digunakan kemudian. Ini amat berguna apabila kita ingin menyimpan model pembelajaran mesin terlatih, seperti pengelas regresi, untuk kegunaan masa hadapan tanpa perlu melatihnya semula setiap kali.
Pertama, kita perlu mengimport modul 'acar' dalam skrip Python kami:
python import pickle
Seterusnya, kita perlu melatih pengelas kita dan mendapatkan model terlatih. Katakan kita telah melatih pengelas regresi dan menyimpannya dalam pembolehubah yang dipanggil 'regression_model'.
Untuk mengambil model terlatih, kita boleh menggunakan fungsi 'pickle.dump()'. Fungsi ini mengambil dua parameter: objek yang ingin kita acar (dalam kes ini, pengelas terlatih), dan objek fail tempat kita ingin menyimpan objek jeruk. Kita boleh membuka fail dalam mod binari tulis menggunakan fungsi 'open()'.
python with open('regression_model.pkl', 'wb') as file: pickle.dump(regression_model, file)
Dalam kod di atas, kami membuka fail bernama 'regression_model.pkl' dalam mod binari tulis ('wb') dan hantarkannya sebagai parameter kedua kepada 'pickle.dump()'. Pengelas terlatih, disimpan dalam pembolehubah 'regression_model', dijeruk dan disimpan ke fail.
Kini, kami telah berjaya menjerut pengelas terlatih kami. Kita boleh memuatkannya semula ke dalam ingatan bila-bila masa kita memerlukannya menggunakan fungsi 'pickle.load()'.
python with open('regression_model.pkl', 'rb') as file: loaded_model = pickle.load(file)
Dalam kod di atas, kami membuka fail jeruk dalam mod binari baca ('rb') dan hantarkannya sebagai parameter kepada 'pickle.load()'. Objek jeruk dimuatkan ke dalam pembolehubah 'loaded_model', yang boleh digunakan untuk ramalan atau sebarang operasi lain.
Berikut ialah contoh lengkap yang menunjukkan penjerukan dan pemuatan pengelas regresi terlatih:
python import pickle from sklearn.linear_model import LinearRegression # Training the regression model X_train = [[1], [2], [3], [4], [5]] y_train = [2, 4, 6, 8, 10] regression_model = LinearRegression() regression_model.fit(X_train, y_train) # Pickling the trained model with open('regression_model.pkl', 'wb') as file: pickle.dump(regression_model, file) # Loading the pickled model with open('regression_model.pkl', 'rb') as file: loaded_model = pickle.load(file) # Using the loaded model for prediction X_test = [[6]] predicted_value = loaded_model.predict(X_test) print(predicted_value)
Dalam contoh di atas, kita mula-mula melatih model regresi linear mudah menggunakan kelas 'LinearRegression' daripada modul 'sklearn.linear_model'. Kami kemudian mengambil model terlatih kepada fail bernama 'regression_model.pkl'. Kemudian, kami memuatkan model jeruk daripada fail dan menggunakannya untuk meramalkan nilai input ujian 'X_test'.
Dengan memetik dan memuatkan pengelas terlatih, kami boleh menggunakan semula model tanpa perlu melatihnya semula, yang boleh menjimatkan banyak masa dan sumber pengiraan.
Soalan dan jawapan terbaru lain mengenai Pembelajaran Mesin EITC/AI/MLP dengan Python:
- Apakah Mesin Vektor Sokongan (SVM)?
- Adakah algoritma jiran terdekat K sangat sesuai untuk membina model pembelajaran mesin yang boleh dilatih?
- Adakah algoritma latihan SVM biasanya digunakan sebagai pengelas linear binari?
- Bolehkah algoritma regresi berfungsi dengan data berterusan?
- Adakah regresi linear sangat sesuai untuk penskalaan?
- Bagaimanakah min anjakan jalur lebar dinamik menyesuaikan parameter lebar jalur secara adaptif berdasarkan ketumpatan titik data?
- Apakah tujuan memberikan pemberat kepada set ciri dalam perlaksanaan jalur lebar dinamik anjakan min?
- Bagaimanakah nilai jejari baharu ditentukan dalam pendekatan jalur lebar dinamik anjakan min?
- Bagaimanakah pendekatan jalur lebar dinamik peralihan min mengendalikan mencari centroid dengan betul tanpa pengekodan keras jejari?
- Apakah had penggunaan jejari tetap dalam algoritma anjakan min?
Lihat lebih banyak soalan dan jawapan dalam Pembelajaran Mesin EITC/AI/MLP dengan Python