Zapisz klasyfikator na dysku w scikit-dowiedz się
Jak zapisać wytrenowany naiwny klasyfikator Bayesa na dysku i użyć go do przewidywania danych?
Mam następujący przykładowy program ze strony scikit-learn:
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()
5 answers
Klasyfikatory to tylko przedmioty, które można wytrawić i wyrzucić jak każdy inny. Aby kontynuować przykład:
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)
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2012-05-15 01:41:50
Możesz również użyć joblib.dump i joblib.load , który jest znacznie bardziej wydajny w obsłudze tablic numerycznych niż domyślny pickler Pythona.
Joblib jest zawarty w scikit-learn:
>>> from sklearn.externals 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
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2012-06-23 13:16:28
To, czego szukasz, nazywa się Model persistenceW słowach sklearn i jest udokumentowane w wprowadzenieoraz w Model persistence Sekcje.
Więc zainicjowałeś swój klasyfikator i trenowałeś go przez długi czas z
clf = some.classifier()
clf.fit(X, y)
Po tym masz dwie opcje:
1) Using Pickle
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) Korzystanie Z 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')
Jeszcze raz warto przeczytać wyżej wymienione linki
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2015-08-24 04:17:11
W wielu przypadkach, szczególnie w przypadku klasyfikacji tekstu, nie wystarczy tylko przechowywać klasyfikator, ale będziesz musiał również przechowywać vectorizer, aby w przyszłości móc wektoryzować swoje dane wejściowe.
import pickle
with open('model.pkl', 'wb') as fout:
pickle.dump((vectorizer, clf), fout)
Future use case:
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)
Przed zrzuceniem vectorizera, można usunąć właściwość stop_words_ vectorizera przez:
vectorizer.stop_words_ = None
Aby dumping był bardziej efektywny. Również jeśli parametry klasyfikatora są rzadkie (jak w większości przykładów klasyfikacji tekstu), możesz przekonwertować parametry od gęstego do rzadkiego, co zrobi ogromną różnicę pod względem zużycia pamięci, ładowania i wyrzucania. Sparsify model by:
clf.sparsify()
Który automatycznie będzie działał dla SGDClassifier ale jeśli wiesz, że twój model jest rzadki (wiele zer w clf.coef_) następnie można ręcznie konwertować clf.coef_ do CSR scipy sparse matrix by:
clf.coef_ = scipy.sparse.csr_matrix(clf.coef_)
I wtedy można go przechowywać bardziej efektywnie.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2016-11-23 03:30:03
sklearn
estymatory wdrażają metody ułatwiające zapisanie odpowiednich właściwości estymatora. Niektóre estymatory implementują same metody __getstate__
, ale inne, jak GMM
po prostu używają implementacji bazowej , która po prostu zapisuje wewnętrzny słownik obiektów:
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
Zalecaną metodą zapisania modelu na dysku jest użycie pickle
Moduł:
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)
Należy jednak zapisać dodatkowe dane, aby móc przekwalifikować swój model w przyszłość, lub ponieść straszne konsekwencje (np być zamknięty w starej wersji sklearn) .
W celu przebudowy podobnego modelu z przyszłymi wersjami scikit-dowiedz się, dodatkowe metadane powinny być zapisywane wzdłuż marynowanej model:
[12]} dane treningowe, np. odniesienie do niezmiennej migawkiKod źródłowy Pythona użyty do wygenerowania modelu
Wersje scikit-Nauka i jej zależności]}
Wynik weryfikacji krzyżowej uzyskany na danych treningowych
Jest to szczególnie prawdziwe dla estymatorów Ensemble , które opierają się na tree.pyx
Moduł napisany w Cythonie (np. IsolationForest
), ponieważ tworzy sprzężenie z implementacją, które nie ma gwarancji stabilności pomiędzy wersjami sklearn. W przeszłości zdarzały się zmiany niezgodne wstecz.
Jeśli twoje modele stają się bardzo duże i ładują staje się uciążliwe, można również użyć bardziej wydajne joblib
. Z dokumentacji:
W konkretnym przypadku scikit, może być bardziej interesujące użycie zastępstwo joblib
pickle
(joblib.dump
&joblib.load
), czyli bardziej wydajne na obiektach, które przenoszą wewnątrz duże tablice numpy jako często ma to miejsce w przypadku dopasowanych estymatorów scikit-learn, ale może tylko ogórek do dysku a nie do struny:
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2017-11-07 11:53:23