간단하고 원유 이해와 회귀 (XI) 선형 기계 학습의 구현 : 저장 및로드 API의 sklearn 모델, 선형 회귀의 모델이로드 케이스를 절약

선형 회귀

학습 목표

• 선형 회귀의 구현 과정에서 소유권
• 응용 선형 회귀 또는 SGDRegressor 회귀 예측을 달성
• 우리는 평가 기준을 알고 공식 회귀 알고리즘
• 단순성과 원인과 해결책을 알고 Overfitting
• 우리는 원칙 능선 회귀 및 선형 회귀 차이를 알고
• 응용 릿지 회귀 예측을 달성
• 응용 프로그램 저장 및로드 모델을 달성 JOBLIB

저장 및 2.11 모델의로드

저장 및 로딩 API 1 sklearn 모델

• sklearn.externals 수입 JOBLIB에서
  • 저장 : joblib.dump (추정, 'test.pkl')
  • 로드 : 추정 = joblib.load ( 'test.pkl')

로드 케이스를 저장하는 2 선형 회귀 모델

def load_dump_demo():
    """
    线性回归:岭回归
    :return:
    """
    # 1.获取数据
    data = load_boston()

    # 2.数据集划分
    x_train, x_test, y_train, y_test = train_test_split(data.data, data.target, random_state=22)

    # 3.特征工程-标准化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.fit_transform(x_test)

    # 4.机器学习-线性回归(岭回归)
    # # 4.1 模型训练
    # estimator = Ridge(alpha=1)
    # estimator.fit(x_train, y_train)
    #
    # # 4.2 模型保存
    # joblib.dump(estimator, "./data/test.pkl")

    # 4.3 模型加载
    estimator = joblib.load("./data/test.pkl")

    # 5.模型评估
    # 5.1 获取系数等值
    y_predict = estimator.predict(x_test)
    print("预测值为:\n", y_predict)
    print("模型中的系数为:\n", estimator.coef_)
    print("模型中的偏置为:\n", estimator.intercept_)

    # 5.2 评价
    # 均方误差
    error = mean_squared_error(y_test, y_predict)
    print("误差为:\n", error)