scikit lernen SVM, wie Support Vektoren zu speichern/laden?

Question

mit Python scikit svm, nach dem Ausführen von clf.fit (X, Y), erhalten Sie Ihre Support-Vektoren. konnte ich diese Unterstützungsvektoren direkt laden (sie als Parameter übergeben), wenn sie ein SVM.SVC Objekt instanziieren? was bedeutet, dass ich nicht jedes Mal die Methode fit() ausführen muss, um die Prädikation auszuführen

Answer 1

Vom scikit Handbuch: http://scikit-learn.org/stable/modules/model_persistence.html

1.2.4 Modell Persistenz Es ist möglich, ein Modell in den scikit mithilfe von Python eingebaute in Persistenz-Modell zu speichern, nämlich Gurke.

>>> 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 

Im speziellen Fall des scikit kann es interessant sein, JOBLIB Nachfolger von Beize zu verwenden, die auf große Daten mehr effizient ist, kann aber nur Beize auf die Festplatte und nicht in einen String:

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

Answer 2

Sie können das Modell speichern, um es später zu verwenden. Ich habe den unten stehenden Code geschrieben, um das Modell zu verwenden, wenn es einen gibt, den ich vorher angepasst und gespeichert habe.

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)