将分类器保存到scikit-learn中的磁盘

如何保存经过训练的朴素贝叶斯分类器到磁盘并用于预测数据？

我有来自scikit-learn网站的以下示例程序：

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()

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。继续您的示例：

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)

您还可以使用joblib.dump和joblib.load，它们在处理数字数组方面比默认的python pickler效率更高。

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（不是默认值），现在可以使用pickle对具有大数值数组的对象进行有效的酸洗作为属性。

您正在寻找的内容被称为sklearn词中的模型持久性，并且在简介和模型持久性中都有记录部分中进行了记录。

因此，您已经初始化了分类器并使用

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

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')

再读一遍有助于阅读上述链接

在许多情况下，尤其是对于文本分类，仅存储分类器是不够的，但是您还需要存储矢量化器，以便将来可以对输入进行矢量化。

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。同样，如果您的分类器参数稀疏（如大多数文本分类示例中一样），则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。通过以下方式稀疏模型：

clf.sparsify()

这对于SGDClassifier将自动工作，但是如果您知道模型稀疏（clf.coef_中为零），则可以通过以下方式将clf.coef_手动转换为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。

sklearn估计器实现的方法使您可以轻松保存估计器的相关训练属性。一些估计器__getstate__自己实现方法，但是其他估计器，例如GMM仅使用基本实现，该实现只是将对象保存在内部字典中：

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以下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，您应该保存其他数据，以便将来可以重新训练模型，或遭受可怕的后果（例如被锁定在旧版本的sklearn中）。

从文档中：

为了用将来的scikit-learn版本重建类似的模型，应该在腌制的模型中保存其他元数据：

训练数据，例如对不变快照的引用

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（例如IsolationForest）编写的模块的Ensemble估计器而言，尤其如此，因为它会创建与实现的耦合，这不能保证sklearn版本之间的稳定性。在过去，它已经看到了不兼容的变化。

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

在scikit的特定情况下，使用joblib替换pickle（joblib.dump＆joblib.load）可能会更有趣，这对于内部装有大型numpy数组的对象更有效，就像装配的scikit-learn估计量通常那样，但只能腌制到磁盘而不是字符串：

sklearn.externals.joblib已被弃用，因为0.21，将在被删除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，在0.23中将被删除。请直接从joblib导入此功能，可以通过以下方式安装该功能：pip install joblib。如果在加载腌制模型时出现此警告，则可能需要使用scikit-learn 0.21+重新序列化那些模型。
warnings.warn（msg，category = 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，要读取转储的文件，您需要运行的是：

with open('myClassifier.joblib.pkl', 'rb') as f:
    my_clf = joblib.load(f)