龙岩网站设计 都找推商吧系统,装修公司设计软件有哪些,中山网站建设,wordpress调整侧边栏的高度这是我的第246篇原创文章。 一、引言
pickle是Python 的标准库#xff0c;用于序列化对象。可以使用 pickle.dump()将模型保存到文件#xff0c;然后使用 pickle.load()从文件中加载模型。
序列化#xff1a;指将一个对象转换为字节流#xff0c;能够存储在文件或网络上用于序列化对象。可以使用 pickle.dump()将模型保存到文件然后使用 pickle.load()从文件中加载模型。
序列化指将一个对象转换为字节流能够存储在文件或网络上在python中使用pickle模块来实现。表现为将训练的模型保存为一个.pkl文件。
反序列化指从字节流提取出对象。表现为运行应用程序时加载.pkl文件。 二、实现过程
2.1 数据准备与划分
将数据划分为训练集和测试集
# 准备数据
data pd.read_csv(rDataset.csv)
df pd.DataFrame(data)
## 数据基本信息
cat_cols [col for col in df.columns if df[col].dtype object] # 类别型变量名
num_cols [col for col in df.columns if df[col].dtype ! object] # 数值型变量名# 提取目标变量和特征变量
target target
features df.columns.drop(target)# 划分训练集和测试集
X_train, X_test, y_train, y_test train_test_split(df[features], df[target], test_size0.2, random_state0)
2.2 模型训练与保存
利用训练集进行训练模型
# 模型的构建与训练
model RandomForestClassifier()
model.fit(X_train, y_train)# 使用 pickle 保存模型
with open(./random_forest_model.pkl, wb) as file:pickle.dump(model, file)
模型保存为pkl文件 2.3 模型推理与评价
加载训练好的模型文件输入测试集进行预测
# 加载保存的模型
with open(./random_forest_model.pkl, rb) as file:loaded_model pickle.load(file)
print(loaded_model)# 模型推理与评价
y_pred loaded_model.predict(X_test)
y_scores loaded_model.predict_proba(X_test)
acc accuracy_score(y_test, y_pred) # 准确率acc
cm confusion_matrix(y_test, y_pred) # 混淆矩阵
cr classification_report(y_test, y_pred) # 分类报告
fpr, tpr, thresholds roc_curve(y_test, y_scores[:, 1], pos_label1) # 计算ROC曲线和AUC值,绘制ROC曲线
roc_auc auc(fpr, tpr)
plt.figure()
plt.plot(fpr, tpr, colordarkorange, lw2, labelROC curve (area %0.2f) % roc_auc)
plt.plot([0, 1], [0, 1], colornavy, lw2, linestyle--)
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel(False Positive Rate)
plt.ylabel(True Positive Rate)
plt.title(Receiver Operating Characteristic)
plt.legend(loclower right)
plt.show()
结果 作者简介 读研期间发表6篇SCI数据挖掘相关论文现在某研究院从事数据算法相关科研工作结合自身科研实践经历不定期分享关于Python、机器学习、深度学习、人工智能系列基础知识与应用案例。致力于只做原创以最简单的方式理解和学习关注我一起交流成长。需要数据集和源码的小伙伴可以关注底部公众号添加作者微信。
