我正在构建一个神经网络，目的是对 future 的新数据进行预测。我首先使用 sklearn.preprocessing 预处理训练数据，然后训练模型，然后进行一些预测，然后关闭程序。将来，当新数据进来时，我必须使用相同的预处理尺度来转换新数据，然后再将其放入模型中。目前，我必须加载所有旧数据，适合预处理器，然后使用这些预处理器转换新数据。有没有办法保存预处理对象(例如 sklearn.preprocessing.StandardScaler)，以便我可以加载旧对象而不必重新制作它们？
最佳答案
我认为除了pickle之外，你还可以使用joblib来做到这一点。正如 Scikit-learn 手册 3.4. Model persistence 中所述
In the specific case of scikit-learn, it may be better to use joblib’s replacement of pickle (dump & load), which is more efficient on objects that carry large numpy arrays internally as is often the case for fitted scikit-learn estimators, but can only pickle to the disk and not to a string:
from joblib import dump, load
dump(clf, 'filename.joblib')
稍后您可以使用以下命令加载回 pickled 模型(可能在另一个 Python 进程中):
clf = load('filename.joblib')
请参阅其他帖子了解更多信息，Saving StandardScaler() model for use on new datasets , Save MinMaxScaler model in sklearn .
关于machine-learning - 有没有办法在 scikit-learn 中保存预处理对象？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/42843352/