模型保存和加载

sklearn模型的保存和加载API

from sklearn.externals import joblib

保存  joblib.dump(rf,'test.pkl')

加载  estimator = joblib.load('test.pkl')

线性回归的模型保存加载案例

def linea3():
    """
    岭回归对波士顿房价进行预测
    :return:
    """
    # 1）获取数据
    boston = load_boston()
    print("特征数量:\n", boston.data.shape)
 
    # 2）划分数据集
    x_train, x_test, y_train, y_test = train_test_split(boston.data, boston.target, random_state=22)
 
    # 3）标准化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)
 
    # 4）预估器
    estimator = Ridge()
    estimator.fit(x_train, y_train)
 
    # 保存模型
    joblib.dump(estimator, "my_ridge.pkl")
 
    # 5）得出模型
    print("岭回归的权重系数：\n", estimator.coef_)
    print("岭回归的偏置为：\n", estimator.intercept_)
 
    # 6）模型评估
    y_predict = estimator.predict(x_test)
    print("预测房价：\n", y_predict)
    error = mean_squared_error(y_test, y_predict)
    print("岭回归-均方误差为：\n", error)
 
    return None

def linea3():
    """
    岭回归对波士顿房价进行预测
    :return:
    """
    # 1）获取数据
    boston = load_boston()
    print("特征数量:\n", boston.data.shape)
 
    # 2）划分数据集
    x_train, x_test, y_train, y_test = train_test_split(boston.data, boston.target, random_state=22)
 
    # 3）标准化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)
 
    # 4）预估器
    # estimator = Ridge()
    # estimator.fit(x_train, y_train)
    #
    # # 保存模型
    # joblib.dump(estimator, "my_ridge.pkl")
    # 加载模块
    estimator = joblib.load("my_ridge.pkl")
 
    # 5）得出模型
    print("岭回归的权重系数：\n", estimator.coef_)
    print("岭回归的偏置为：\n", estimator.intercept_)
 
    # 6）模型评估
    y_predict = estimator.predict(x_test)
    print("预测房价：\n", y_predict)
    error = mean_squared_error(y_test, y_predict)
    print("岭回归-均方误差为：\n", error)
 
    return None

 K-means聚类步骤

1 随机设置k个特征空间内的点作为初识的聚类中心

2 对于其他每个点计算到k个中心的距离，未知的点选择最近的一个聚类中心点作为标记类别

3 接着对着标记的聚类中心之后，重新计算出每个聚类的新中心点（平均值）

4 如果计算得出的新中心点与原来中心点一样，那么结束，否则重新进行第二步过程