[Python] Speichern von Lernergebnissen (Modellen) beim maschinellen Lernen

Einführung

Im vorherigen Artikel habe ich ein einfaches maschinelles Lernprogramm angesprochen. Sehr kleine Daten wie im vorherigen Artikel werden nicht verwendet. Maschinelles Lernen hat grundsätzlich den Vorteil, dass viele Daten vorhanden sind, sodass normalerweise eine sehr große Datenmenge entsteht. Wenn Sie viele Daten haben, wird das Lernen natürlich viel Zeit in Anspruch nehmen. Sie werden vielleicht überrascht sein, wenn Sie es nicht wissen, aber es ist natürlich, den PC für eine Woche zu verlassen, um zu lernen. Es ist nicht praktikabel, jedes Mal, wenn das Programm ausgeführt wird, so lange zu lernen. Daher können Sie Zeit sparen, indem Sie die Trainingsergebnisse als Modell speichern und im eigentlichen Programm mit diesem Modell ausführen. Dieses Mal möchte ich ein "Speicherprogramm" und ein "Vorhersageprogramm unter Verwendung eines Modells" erstellen.

Wenn Sie nicht wissen, was Sie tun, lesen Sie vorherigen Artikel .

Umgebung

python 3.8.5 scikit-learn 0.231

Quellcode (Modell speichern)

Ein Teil des im vorherigen Artikel verwendeten Codes wird verwendet.

save_model.py


import numpy as np
from sklearn import svm
import pickle

#CSV-Datei lesen
npArray = np.loadtxt("data.csv", delimiter = ",", dtype = "float")

#Speicherung erklärender Variablen
x = npArray[:, 0:4]

#Speicherung der Zielvariablen
y = npArray[:, 4:5].ravel()

#Wählen Sie SVM als Lernmethode
clf = svm.SVC()

#Lernen
clf.fit(x,y)

#Speichern des Trainingsmodells
with open('model.pickle', mode='wb') as f:
    pickle.dump(clf,f,protocol=2)

Quellcode (Verwendung des gespeicherten Modells)

open_model.py


import pickle

#Modell offen
with open('model.pickle', mode='rb') as f:
    clf = pickle.load(f)

#Bewertungsdaten
weather = [[9,0,7.9,6.5]]

#Vorhersage anhand eines Modells
ans = clf.predict(weather)

if ans == 0:
    print("Es ist sonnig")
if ans == 1:
    print("Es ist bewölkt")
if ans == 2:
    print("Es regnet")

Ausführungsergebnis

$ python3 open_model.py
Es ist sonnig

abschließend

Danke für deine harte Arbeit. Durch Speichern des auf diese Weise trainierten Modells wird es möglich, Daten auszuwerten und vorherzusagen, ohne jede Ausführung zu trainieren. Derzeit wird KI, wie in der Welt gesagt, als Satz von "Programm" + "Lerndaten" erstellt und betrieben. Wenn man das aus den gesammelten Daten erstellte Lernmodell betrachtet, ist es eine andere Freude, ein umfangreiches Programm zu erstellen. Wir sehen uns wieder.

Recommended Posts

[Python] Speichern von Lernergebnissen (Modellen) beim maschinellen Lernen
Python: Vorverarbeitung beim maschinellen Lernen: Übersicht
[Python] Techniken, die häufig beim maschinellen Lernen verwendet werden
Python: Vorverarbeitung beim maschinellen Lernen: Datenerfassung
Python: Vorverarbeitung beim maschinellen Lernen: Datenkonvertierung
Lassen Sie uns einen Teil des maschinellen Lernens mit Python berühren
Maschinelles Lernen in Delemas (Praxis)
Erstellen Sie mit Python eine interaktive Umgebung für maschinelles Lernen
Tool MALSS (Anwendung), das maschinelles Lernen in Python unterstützt
Coursera-Herausforderungen beim maschinellen Lernen in Python: ex2 (Logistic Return)
Maschinelles Lernen mit Python! Vorbereitung
Über das Testen bei der Implementierung von Modellen für maschinelles Lernen
Python Machine Learning Programming> Schlüsselwörter
Coursera Machine Learning Challenge in Python: ex1 (lineare Regression)
Wird in EDA für maschinelles Lernen verwendet
Versuchen Sie, das Modell des maschinellen Lernens in das Python-Paket aufzunehmen
Beginnend mit maschinellem Python-Lernen
MALSS (Einführung), ein Tool, das maschinelles Lernen in Python unterstützt
Das Ergebnis des maschinellen Lernens von Java-Ingenieuren mit Python www
Coursera-Herausforderungen für maschinelles Lernen in Python: ex7-2 (Primäranalyse)
Implementieren Sie das Stacking-Lernen in Python [Kaggle]
Automatisieren Sie Routineaufgaben beim maschinellen Lernen
In Python implementierte Widrow-Hoff-Lernregeln
Klassifikation und Regression beim maschinellen Lernen
<Für Anfänger> Python-Bibliothek <Für maschinelles Lernen>
Maschinelles Lernen in Delemas (Datenerfassung)
Implementierte Perceptron-Lernregeln in Python
Vorverarbeitung beim maschinellen Lernen 2 Datenerfassung
Random Seed Research im maschinellen Lernen
"Scraping & maschinelles Lernen mit Python" Lernnotiz
Vorverarbeitung beim maschinellen Lernen 4 Datenkonvertierung
Wie wäre es mit Anaconda zum Erstellen einer maschinellen Lernumgebung mit Python?
Coursera-Herausforderungen beim maschinellen Lernen in Python: ex5 (Anpassung der Regularisierungsparameter)
Maschinelles Lernen
Python lernen
Python & Machine Learning Study Memo: Vorbereitung der Umgebung
Einführung in das maschinelle Lernen: Funktionsweise des Modells
Verstärken Sie Bilder für maschinelles Lernen mit Python
Verwenden Sie die API-Gruppe A3RT für maschinelles Lernen aus Python
Maschinelles Lernen mit Python (2) Einfache Regressionsanalyse
Ich habe Python 3.5.1 installiert, um maschinelles Lernen zu studieren
Warum Python für maschinelles Lernen ausgewählt wird
"Python Machine Learning Programming" - Zusammenfassung (Jupyter)
[Shakyo] Begegnung mit Python zum maschinellen Lernen
[Python] Erste Datenanalyse / maschinelles Lernen (Kaggle)
[Python] Wenn ein Amateur mit dem maschinellen Lernen beginnt
[Python] Webanwendungsdesign für maschinelles Lernen
Erstellen einer Umgebung für Python und maschinelles Lernen (macOS)
Eine Einführung in Python für maschinelles Lernen
Python & Machine Learning Study Memo ③: Neuronales Netz
Python & maschinelles Lernen Lernnotiz Machine: Maschinelles Lernen durch Rückausbreitung
Vorverarbeitung beim maschinellen Lernen 1 Datenanalyseprozess
Python & Machine Learning Study Memo ⑥: Zahlenerkennung
Aufbau einer KI / maschinellen Lernumgebung mit Python
Coursera Machine Learning Challenge in Python: ex6 (Anpassen von SVM-Parametern)
Coursera Machine Learning Challenge in Python: ex7-1 (Bildkomprimierung mit K-bedeutet Clustering)
Python: Vorverarbeitung beim maschinellen Lernen: Umgang mit fehlenden / Ausreißern / unausgeglichenen Daten
[Python] Einfache Einführung in das maschinelle Lernen mit Python (SVM)
Python in der Optimierung
CURL in Python
Metaprogrammierung mit Python