SVM 保存和加载模型参数

不做梵高4172024-01-03 13:43

在 Python 中，你可以使用 scikit-learn 库中的 joblib 或 pickle 模块来保存和加载 SVM 模型的参数。以下是一个简单的示例代码，演示了如何使用 joblib 模块保存和加载 SVM 模型的参数：

保存模型参数：

python 复制代码

from sklearn import svm
from sklearn import datasets
import joblib

# 载入数据集
iris = datasets.load_iris()
X, y = iris.data, iris.target

# 创建 SVM 模型
model = svm.SVC()
model.fit(X, y)

# 保存模型参数
joblib.dump(model, 'svm_model.pkl')

加载模型参数

python 复制代码

# 加载模型参数
loaded_model = joblib.load('svm_model.pkl')

# 使用加载的模型进行预测
result = loaded_model.predict([X[0]])
print(result)

在这个示例中，我们首先使用 scikit-learn 载入了鸢尾花数据集，并创建了一个 SVM 模型。然后，我们使用 joblib.dump 函数将模型参数保存到名为 svm_model.pkl 的文件中。接着，我们使用 joblib.load 函数加载保存的模型参数，并使用加载的模型进行预测。

你也可以使用 pickle 模块来保存和加载模型参数，示例如下：

保存模型参数：

python 复制代码

import pickle

# 保存模型参数
with open('svm_model.pkl', 'wb') as f:
    pickle.dump(model, f)

加载模型参数：

# 加载模型参数
with open('svm_model.pkl', 'rb') as f:
    loaded_model = pickle.load(f)

# 使用加载的模型进行预测
result = loaded_model.predict([X[0]])
print(result)

这段代码使用了 pickle.dump 函数将模型参数保存到名为 svm_model.pkl 的文件中，然后使用 pickle.load 函数加载保存的模型参数，并使用加载的模型进行预测。