235

如何将训练有素的朴素贝叶斯分类器保存到磁盘并使用它来预测数据？

我有以下来自 scikit-learn 网站的示例程序：

from sklearn import datasets
iris = datasets.load_iris()
from sklearn.naive_bayes import GaussianNB
gnb = GaussianNB()
y_pred = gnb.fit(iris.data, iris.target).predict(iris.data)
print "Number of mislabeled points : %d" % (iris.target != y_pred).sum()
4

6 回答 6

238

分类器只是可以像其他任何东西一样被腌制和倾倒的对象。继续你的例子：

import cPickle
# save the classifier
with open('my_dumped_classifier.pkl', 'wb') as fid:
    cPickle.dump(gnb, fid)    

# load it again
with open('my_dumped_classifier.pkl', 'rb') as fid:
    gnb_loaded = cPickle.load(fid)

编辑：如果您使用的是sklearn 管道，其中您的自定义转换器无法通过 pickle （也不能通过 joblib）序列化，那么使用 Neuraxle 的自定义 ML 管道保存是一种解决方案，您可以在其中定义自己的自定义步骤保护程序步骤基础。如果在保存时定义了每个步骤，则调用保存器，否则将 joblib 用作没有保存器的步骤的默认值。

于 2012-05-15T01:41:50.943 回答
231

您还可以使用joblib.dump和joblib.load，它们在处理数值数组方面比默认的 python pickler 更有效。

Joblib 包含在 scikit-learn 中：

>>> import joblib
>>> from sklearn.datasets import load_digits
>>> from sklearn.linear_model import SGDClassifier

>>> digits = load_digits()
>>> clf = SGDClassifier().fit(digits.data, digits.target)
>>> clf.score(digits.data, digits.target)  # evaluate training error
0.9526989426822482

>>> filename = '/tmp/digits_classifier.joblib.pkl'
>>> _ = joblib.dump(clf, filename, compress=9)

>>> clf2 = joblib.load(filename)
>>> clf2
SGDClassifier(alpha=0.0001, class_weight=None, epsilon=0.1, eta0=0.0,
       fit_intercept=True, learning_rate='optimal', loss='hinge', n_iter=5,
       n_jobs=1, penalty='l2', power_t=0.5, rho=0.85, seed=0,
       shuffle=False, verbose=0, warm_start=False)
>>> clf2.score(digits.data, digits.target)
0.9526989426822482

编辑：在 Python 3.8+ 中，如果您使用 pickle 协议 5（这不是默认设置），现在可以使用 pickle 对具有大数值数组作为属性的对象进行有效的酸洗。

于 2012-06-23T13:16:28.960 回答
128

您正在寻找的是sklearn 单词中的模型持久性，它记录在介绍和模型持久性部分中。

因此，您已经初始化了分类器并对其进行了很长时间的训练

clf = some.classifier()
clf.fit(X, y)

在此之后，您有两个选择：

1）使用泡菜

import pickle
# now you can save it to a file
with open('filename.pkl', 'wb') as f:
    pickle.dump(clf, f)

# and later you can load it
with open('filename.pkl', 'rb') as f:
    clf = pickle.load(f)

2) 使用 Joblib

from sklearn.externals import joblib
# now you can save it to a file
joblib.dump(clf, 'filename.pkl') 
# and later you can load it
clf = joblib.load('filename.pkl')

再一次阅读上述链接会有所帮助

于 2015-08-24T04:17:11.437 回答
36

在许多情况下，特别是对于文本分类，仅存储分类器是不够的，但您还需要存储矢量化器，以便将来可以矢量化输入。

import pickle
with open('model.pkl', 'wb') as fout:
  pickle.dump((vectorizer, clf), fout)

未来用例：

with open('model.pkl', 'rb') as fin:
  vectorizer, clf = pickle.load(fin)

X_new = vectorizer.transform(new_samples)
X_new_preds = clf.predict(X_new)

在转储矢量化器之前，可以通过以下方式删除矢量化器的 stop_words_ 属性：

vectorizer.stop_words_ = None

使倾销更有效率。此外，如果您的分类器参数是稀疏的（如在大多数文本分类示例中），您可以将参数从密集转换为稀疏，这将在内存消耗、加载和转储方面产生巨大差异。通过以下方式稀疏化模型：

clf.sparsify()

这将自动适用于SGDClassifier但如果您知道您的模型是稀疏的（clf.coef_ 中有很多零），那么您可以通过以下方式手动将 clf.coef_ 转换为csr scipy 稀疏矩阵：

clf.coef_ = scipy.sparse.csr_matrix(clf.coef_)

然后您可以更有效地存储它。

于 2016-11-23T03:24:22.207 回答
5

sklearn估计器实现的方法使您可以轻松地保存估计器的相关训练属性。一些估计器__getstate__自己实现方法，但其他估计器，比如GMM只使用简单地保存对象内部字典的基本实现：

def __getstate__(self):
    try:
        state = super(BaseEstimator, self).__getstate__()
    except AttributeError:
        state = self.__dict__.copy()

    if type(self).__module__.startswith('sklearn.'):
        return dict(state.items(), _sklearn_version=__version__)
    else:
        return state

将模型保存到光盘的推荐方法是使用pickle模块：

from sklearn import datasets
from sklearn.svm import SVC
iris = datasets.load_iris()
X = iris.data[:100, :2]
y = iris.target[:100]
model = SVC()
model.fit(X,y)
import pickle
with open('mymodel','wb') as f:
    pickle.dump(model,f)

但是，您应该保存额外的数据，以便将来重新训练您的模型，否则会遭受可怕的后果（例如被锁定到旧版本的 sklearn）。

从文档中：

为了用未来版本的 scikit-learn 重建一个类似的模型，应该在 pickle 模型中保存额外的元数据：

训练数据，例如对不可变快照的引用

用于生成模型的python源代码

scikit-learn 的版本及其依赖项

在训练数据上获得的交叉验证分数

对于依赖于tree.pyx用 Cython 编写的模块（例如）的 Ensemble 估计器尤其如此IsolationForest，因为它创建了与实现的耦合，不能保证在 sklearn 版本之间保持稳定。它在过去看到了向后不兼容的变化。

如果您的模型变得非常大并且加载变得很麻烦，您还可以使用更高效的joblib. 从文档中：

pickle在 scikit 的特定情况下，使用 joblib 替换( joblib.dump& )可能更有趣joblib.load，这对于内部携带大型 numpy 数组的对象更有效，就像拟合 scikit-learn 估计器的情况一样，但只能腌制到磁盘而不是字符串：

于 2017-11-07T11:53:23.630 回答
2

sklearn.externals.joblib此后已被弃用0.21，并将在以下位置删除v0.23：

/usr/local/lib/python3.7/site-packages/sklearn/externals/joblib/init .py:15： FutureWarning：sklearn.externals.joblib 在 0.21 中已弃用，将在 0.23 中删除。请直接从joblib中导入这个功能，可以通过pip install joblib来安装。如果在加载腌制模型时出现此警告，您可能需要使用 scikit-learn 0.21+ 重新序列化这些模型。
warnings.warn（味精，类别=FutureWarning）

因此，您需要安装joblib：

pip install joblib

最后将模型写入磁盘：

import joblib
from sklearn.datasets import load_digits
from sklearn.linear_model import SGDClassifier


digits = load_digits()
clf = SGDClassifier().fit(digits.data, digits.target)

with open('myClassifier.joblib.pkl', 'wb') as f:
    joblib.dump(clf, f, compress=9)

现在为了读取转储文件，您需要运行的是：

with open('myClassifier.joblib.pkl', 'rb') as f:
    my_clf = joblib.load(f)
于 2020-02-21T16:51:23.277 回答