Pickle
Czas wdrożyć swój pierwszy model na produkcję. Jest to klasyfikator lasów losowych, który posłuży jako punkt odniesienia, podczas gdy nadal pracujesz nad lepszą alternatywą. Masz dostęp do danych podzielonych na zbiór treningowy i testowy pod standardowymi nazwami: X_train, X_test, y_train i y_test, a także do modułu RandomForestClassifier() oraz biblioteki pickle z metodami .load() i .dump(), których użyjesz w tym ćwiczeniu.
To ćwiczenie jest częścią kursu
Projektowanie przepływów pracy uczenia maszynowego w Pythonie
Instrukcje do ćwiczenia
- Dopasuj klasyfikator lasów losowych do danych. Ustaw ziarno losowości na 42, aby wyniki były odtwarzalne.
- Zapisz model do pliku za pomocą pickle. Otwórz plik docelowy, używając składni
with open(____) as ____. - Wczytaj teraz model z pliku do nowej zmiennej o nazwie
clf_from_file. - Zapisz predykcje wygenerowane przez wczytany model w zmiennej
preds.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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.____