scikit SVM'yi öğrenin, destek vektörlerini nasıl kaydeder/yüklersiniz? Python scikit svm kullanarak

Question

, clf.fit (X, Y) çalıştırdıktan sonra destek vektörlerinizi alırsınız. Svm.SVC nesnesini başlatırken bu destek vektörlerini doğrudan (paramter olarak geçerek) yükleyebilir miyim? Bu, her seferinde fit() yöntemini çalıştırmaya gerek olmadığı anlamına gelir

Answer 1

: http://scikit-learn.org/stable/modules/model_persistence.html

1.2.4 Model kalıcılık O kullanarak scikit bir model kaydetmek mümkündür Python yerleşik kalıcılık modeli, yani turşu. scikit spesifik durumda

>>> from sklearn import svm 
>>> from sklearn import datasets 
>>> clf = svm.SVC() 
>>> iris = datasets.load_iris() 
>>> X, y = iris.data, iris.target 
>>> clf.fit(X, y) 
SVC(kernel=’rbf’, C=1.0, probability=False, degree=3, coef0=0.0, eps=0.001, 
cache_size=100.0, shrinking=True, gamma=0.00666666666667) 
>>> import pickle 
>>> s = pickle.dumps(clf) 
>>> clf2 = pickle.loads(s) 
>>> clf2.predict(X[0]) 
array([ 0.]) 
>>> y[0] 
0 

, büyük veriler üzerinde daha verimlidir turşu joblib en değiştirme, kullanımı daha ilginç olabilir, ama can sadece turşu bir dizeye diske değil:

Eğer eğitimli modeli kaydederken

>>> from sklearn.externals import joblib 
>>> joblib.dump(clf, ’filename.pkl’) 

Answer 2

Daha sonra kullanmak için modeli kaydedebilirsiniz. Daha önce taktığım ve kaydettiğim bir model olduğunda modeli kullanmak için aşağıdaki kodu yazdım. scikit kılavuzunda itibaren

from sklearn.externals import joblib 
svm_linear_estimator = svm.SVC(kernel='linear', probability=False, C=1) 
try: 
    estimator = joblib.load("/my_models/%s.pkl"%dataset_name) 
    print "using trained model" 
except: 
    print "building new model" 
    estimator.fit(data_train, class_train) 
    joblib.dump(estimator,"/my_models/%s.pkl"%dataset_name)