本文将介绍如何使用scikit-learn机器学习库保存Python机器学习模型、加载已经训练好的模型。学会了这个，你才能够用已有的模型做预测，而不需要每次都重新训练模型。

本文将使用两种方法来实现模型的保存和加载：Pickle和joblib。

本文将分为三部分，分别如下所示。第一部分讲解使用Pickle序列化、反序列化机器学习模型，第二部分讲解使用joblib保存、加载机器学习模型。第三部分讲解这个过程中常见的问题。

Pickle保存、加载机器学习模型joblib保存、加载机器学习模型常见问题小结

Pickle保存、加载机器学习模型

Pickle是Python中序列化对象的标准方法。

通常，我们会使用pickle.dump函数来序列化机器学习模型，并将序列化的二进制保存到文件中，得到最终的模型文件。

当需要重新使用这个模型时，就可以使用pickle.load函数加载此文件，反序列化模型，并使用它来进行模型预测。

下面示例演示了如何在糖尿病数据集训练LR模型，并将模型保存到文件，并加载它以对未见测试集进行预测。该代码是将模型保存到本地文件finalized_model.sav，同时加载已保存的模型，并利用其进行评估。

joblib保存、加载机器学习模型

joblib模块是机器学习库SciPy的一部分，它提供很多使Python作业pipeline的方法。

同时，它也提供了用于保存、加载NumPy数据变量、机器学习模型的方法。这对于需要保存大量训练参数、存储整个数据集的某些机器学习算法（如K近邻）非常有用。

通常，我们会使用joblib.dump函数来保存机器学习模型，并将序列化的二进制保存到文件中，得到最终的模型文件。

当需要重新使用这个模型时，就可以使用joblib.load函数加载此文件，反序列化模型，并使用它来进行模型预测。

下面的示例演示了如何在糖尿病数据集训练LR模型，并使用joblib保存模型文件，同时加载它来进行数据预测。该代码将模型保存为finalized_model.sav文件，同时加载该模型后，用于预测测试数据。

常见问题小结

在保存、加载模型时，需要注意以下常见问题：

Python版本。可以肯定的是，当加载并反序列化模型时，需要使用相同版本的Python来序列化模型。

库版本。在反序列化已保存的模型时，使用机器学习库的版本需要相同，包括NumPy版本和scikit-learn版本。

手动序列化。有时候可能需要手动输出模型的参数，以便将来可以直接在scikit-learn或其他平台中使用它们。通常，在机器学习中，用于预测的算法比用于学习参数的算法简单得多，可以很容易地在代码中实现。

当按本不同时，请重新安装对应版本进行模型加载，否则，你将遇到一些奇奇怪怪的问题。

下面是为初学者们准备的python电子书籍资料和python入门教程！

请关注+私信回复：“学习”就可以拿到一份我为大家准备的Python学习资料！