机器学习-分类算法-模型的保存和加载12_关在上一关的基础上,希望将分类模型存储下来,当需要预测数据时加载该模型返回预测

保存模型

from sklearn.datasets import load_boston
from sklearn.linear_model import LinearRegression,SGDRegressor,Ridge
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error
import joblib



def mylinear():
    """
    线性回归直接预测房子价格
    :return: 
    """
    # 获取数据
    lb = load_boston()

    # 分割数据到训练集和测试集
    x_train,x_test,y_train,y_test = train_test_split(lb.data,lb.target,test_size=0.25)
    print(y_train,x_test)
    # 进行标准化处理
    # 特征值和目标值都必须进行标准化处理（实例化2个标准化API）
        # 特征值标准化处理
    std_x = StandardScaler()
    x_train = std_x.fit_transform(x_train)
    x_test = std_x.transform(x_test)
        # 目标值标准化处理
    std_y = StandardScaler()
    y_train = std_y.fit_transform(y_train.reshape(-1,1)) # 要求数据必须是二维我们需要使用reshape(-1,1)进行转换
    y_test = std_y.transform(y_test.reshape(-1,1))


    # estimator预测
    # 正规方程求解预测结果
    lr = LinearRegression()
    lr.fit(x_train,y_train)
    print(lr.coef_)

    # 保存训练好的模型
    joblib.dump(lr,"test.pkl")

    # 预测测试集的房子价格
    y_lr_predict = lr.predict(x_test)
    y_lr_predict = std_y.inverse_transform(y_lr_predict)# 将降维后的数据转换成原始数据
    print("正规方程测试集里面每个房子的预测价格:",y_lr_predict)
    print("正规方程的均方误差:",mean_squared_error(std_y.inverse_transform(y_test),y_lr_predict))



    return None


if __name__=="__main__":
    mylinear()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55

调用模型预测的结果

from sklearn.datasets import load_boston
from sklearn.linear_model import LinearRegression,SGDRegressor,Ridge
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error
import joblib



def mylinear():
    """
    线性回归直接预测房子价格
    :return: 
    """
    # 获取数据
    lb = load_boston()

    # 分割数据到训练集和测试集
    x_train,x_test,y_train,y_test = train_test_split(lb.data,lb.target,test_size=0.25)
    print(y_train,x_test)
    # 进行标准化处理
    # 特征值和目标值都必须进行标准化处理（实例化2个标准化API）
        # 特征值标准化处理
    std_x = StandardScaler()
    x_train = std_x.fit_transform(x_train)
    x_test = std_x.transform(x_test)
        # 目标值标准化处理
    std_y = StandardScaler()
    y_train = std_y.fit_transform(y_train.reshape(-1,1)) # 要求数据必须是二维我们需要使用reshape(-1,1)进行转换
    y_test = std_y.transform(y_test.reshape(-1,1))
    # 调用保存好的模型进行预测
    model = joblib.load("test.pkl")
    y_predict = std_y.inverse_transform(model.predict(x_test))
    print("调用模型预测的结果:",y_predict)
    return None


if __name__=="__main__":
    mylinear()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40