scikit學習SVM，如何保存/加載支持向量？

Question

使用python scikit svm，運行clf.fit（X，Y）後，您將獲得支持向量。 可以在實例化svm.SVC對象時直接加載這些支持向量（將它們作爲參數傳遞）？這意味着我不需要每次運行fit（）方法來進行預測

Answer 1

從scikit手冊：http://scikit-learn.org/stable/modules/model_persistence.html

1.2.4模型持久 有可能通過使用保存在scikit模型Python的內置的持久性模型，即鹹菜。

>>> 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的特定情況下，它可能是更有趣的使用JOBLIB的替代泡菜，這是對大數據更 效率，但只能鹹菜到磁盤，而不是一個字符串：

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

Answer 2

您可以保存模型以便稍後使用。 我寫下面的代碼來使用模型，當存在一個我以前安裝和保存的模型時。

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)