如何在 Sklearn 中保存 StandardScaler() 模型？我需要使模型可操作，并且不想一次又一次地加载训练数据以供 StandardScaler 学习，然后应用到我想要进行预测的新数据上。
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
#standardizing after splitting
X_train, X_test, y_train, y_test = train_test_split(data, target)
sc = StandardScaler()
X_train_std = sc.fit_transform(X_train)
X_test_std = sc.transform(X_test)
最佳答案
你可以使用 joblib 转储 函数来保存标准定标器模型。这里有一个完整的例子供引用。
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris
data, target = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(data, target)
sc = StandardScaler()
X_train_std = sc.fit_transform(X_train)
如果你想保存 sc 标准调用者使用以下内容
from sklearn.externals.joblib import dump, load
dump(sc, 'std_scaler.bin', compress=True)
这将创建文件 std_scaler.bin 并保存 sklearn 模型。
要稍后阅读模型，请使用 负载
sc=load('std_scaler.bin')
注:
sklearn.externals.joblib已弃用。安装使用纯joblib反而
关于python-3.x - 保存 StandardScaler() 模型以用于新数据集，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/53152627/