Začněte nyníZačněte zdarma

Pickle soubory

Nastal čas nasadit tvůj první model do produkce. Půjde o klasifikátor náhodného lesa, který poslouží jako základní model (baseline), zatímco stále pracuješ na vývoji lepší alternativy. Máš k dispozici data rozdělená na trénovací a testovací sadu s obvyklými názvy X_train, X_test, y_train a y_test, a také moduly RandomForestClassifier() a pickle, jejichž metody .load() a .dump() budeš v tomto cvičení potřebovat.

Toto cvičení je součástí kurzu

Designing Machine Learning Workflows in Python

Zobrazit kurz

Pokyny k cvičení

  • Natrénuj klasifikátor náhodného lesa na datech. Nastav náhodný seed na hodnotu 42, aby byly výsledky reprodukovatelné.
  • Ulož model do souboru pomocí pickle. Otevři cílový soubor syntaxí with open(____) as ____.
  • Načti model ze souboru do jiné proměnné s názvem clf_from_file.
  • Ulož predikce načteného modelu do proměnné preds.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Fit a random forest to the training set
clf = ____(____=42).____(
  X_train, y_train)

# Save it to a file, to be pushed to production
with ____('model.pkl', ____) as ____:
    pickle.____(clf, file=file)

# Now load the model from file in the production environment
with ____ as file:
    clf_from_file = pickle.____(file)

# Predict the labels of the test dataset
preds = clf_from_file.____
Upravit a spustit kód