ПочатиПочніть безкоштовно

Пікли

Нарешті час вивести вашу першу модель у продакшн. Це класифікатор випадкового лісу, який ви використаєте як базовий орієнтир, доки працюєте над кращою альтернативою. У вас є доступ до розбиття даних на тренувальну й тестову вибірки з типовими назвами X_train, X_test, y_train та y_test, а також до модулів RandomForestClassifier() і pickle, методи .load() і .dump() яких вам знадобляться у цій вправі.

Ця вправа є частиною курсу

Проєктування робочих процесів машинного навчання в Python

Переглянути курс

Інструкції до вправи

  • Навчіть класифікатор випадкового лісу на даних. Зафіксуйте випадкове зерно на значенні 42, щоб результати були відтворюваними.
  • Запишіть модель у файл за допомогою pickle. Відкрийте цільовий файл із синтаксисом with open(____) as ____.
  • Тепер завантажте модель з файлу в іншу змінну з назвою clf_from_file.
  • Збережіть передбачення моделі, яку ви завантажили, у змінну preds.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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.____
Редагувати та запускати код