После того, как вы обучили свою замечательную модель машинного обучения 🏋 и готовы к использованию вами или вашей командой, возникает этот вопрос «Как я могу поделиться своей моделью (не своей записной книжкой 📕) со своей командой или другими командами. ?”🤔
Без паники, есть простой способ сделать дамп, а также загрузить модели с помощью Python 🐍, настолько простой, что вы поразитесь 💥 😱 и помните, что все исходники и наборы данных будут доступны в GitHub.
Если у вас нет модели ML для сохранения, не беспокойтесь 😉 вы можете проверить мои другие посты о том, как создать модель ML.
Практический 🚀
Прежде всего нам нужно установить волшебный пакет python под названием joblib.
pip install joblib
После установки все, что нам нужно сделать, это импортировать его.
import joblib
Время упорствовать
Чтобы сохранить вашу модель ML с помощью joblib, вам нужно сделать следующее:
joblib.dump(model, 'car-recommender.joblib')
Как видите, мы передаем в качестве первого параметра объектную модель, а в качестве второго параметра имя файла, с которым модель будет сохранена/записана на диск, в данном случае car-recommender.joblib. , но вы можете использовать тот, который кажется вам лучшим.
Время загрузки
Что ж, на предыдущем шаге мы уже сохранили модель с именем car-recommender.joblib, поэтому, возможно, вам интересно, хорошо, я уже сохранил свою модель Super ML, так что «Что дальше?» 😅
Получив файл .joblib, вы можете загрузить 🏗 его с помощью следующего кода:
model = joblib.load("car-recommender.joblib")
Время делать прогнозы с загруженной моделью ML
Теперь мы можем выполнить некоторые прогнозы 🔮, используя уже загруженную модель ML, как мы делали в предыдущем посте
predictions = model.predict([ [22,1] ]) predictions[0]
И результат должен выглядеть так 🎉
Выводы
Как я и обещал, методологию сохранения и загрузки модели ML довольно легко реализовать, по крайней мере, эта модель используется в учебных целях 😜
Итак, пришло время посмотреть, что вы можете сделать с этим новым приобретенным навыком машинного обучения, и не забывайте следить за новыми публикациями/учебниками по машинному обучению 😉
