Guardar un modelo ajustado en Python
joblib escribe el pipeline ajustado completo, preprocesamiento incluido.
import joblib
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
X, y = load_iris(return_X_y=True)
modelo = make_pipeline(StandardScaler(), LogisticRegression(max_iter=500))
modelo.fit(X, y)
joblib.dump(modelo, "iris.joblib")
restaurado = joblib.load("iris.joblib")
print(restaurado.predict(X[:3]))
print(f"{restaurado.score(X, y):.3f}")Cómo funciona
- Guarda el pipeline, no solo el estimador final.
- Un modelo cargado predice sin reajustar.
- Fija las versiones de tus bibliotecas: un pickle no es un formato estable.
Palabras clave y builtins usados aquí
print
El intento, en números
- Líneas
- 15
- Caracteres a escribir
- 472
- Tokens
- 110
- Ritmo de tres estrellas
- 115 tpm
Al ritmo de tres estrellas de 115 tokens por minuto, este intento toma unos 57 segundos.
Paso 3 de 3 en Más allá de lo básico; paso 24 de 25 en Machine learning con scikit-learn.