Pickles
Nu är det dags att driftsätta din första modell. Det är en klassificerare baserad på Random Forest som du kommer att använda som baslinje medan du fortsätter att utveckla ett bättre alternativ. Du har tillgång till data uppdelad i tränings- och testuppsättningar med de vanliga variabelnamnen X_train, X_test, y_train och y_test, samt till modulerna RandomForestClassifier() och pickle, vars metoder .load() och .dump() du behöver i den här övningen.
Den här övningen är en del av kursen
Att designa maskininlärningsflöden i Python
Övningsinstruktioner
- Träna en Random Forest-klassificerare på datan. Sätt det slumpmässiga fröet till 42 för att säkerställa att dina resultat är reproducerbara.
- Skriv modellen till fil med pickle. Öppna målfilen med syntaxen
with open(____) as ____. - Läs nu in modellen från filen till en ny variabel med namnet
clf_from_file. - Spara prediktionerna från den inlästa modellen i variabeln
preds.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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.____