Question

使用python scikit svm，在运行clf.fit（X，Y）之后，你得到你的支持向量。在实例化svm.SVC对象时，我可以直接加载这些支持向量（将它们作为参数传递）吗？这意味着我每次都不需要运行fit（）方法进行预测

Answer 1

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

1.2.4模型持久性可以使用Python的内置持久性模型（即pickle）在scikit中保存模型。

>>> 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

在scikit的特定情况下，使用joblib替换pickle可能更有趣，更多对大数据有效，但只能腌制到磁盘而不是字符串：

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

Answer 2

您可以保存模型以便以后使用。我编写了下面的代码，以便在我之前存在并保存之前使用该模型。

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)

scikit学习SVM，如何保存/加载支持向量？

2 个答案: