PyCaretで確定したモデルを再利用可能な状態で保存します。
モデルの保存
save_model関数を使うと、モデルの保存をすることができます。
model_nameにはファイル名を指定します。
[Google Colaboratory]
1 | save_model(final_rf, model_name="final_rf_model") |
[実行結果]
final_rf_model.pklというファイルが出力されました
モデルの読み込み
load_model関数を使うと、モデルを読み込むことができます。
model_nameには読み込むファイル名を指定します。
[Google Colaboratory]
1 | load_tuned_rf_model = load_model(model_name="final_rf_model") |
[実行結果]
学習済みモデルだけではなく、前処理の定義やパイプラインごと保存されているので、すぐに利用可能な状態となっています。
モデルの再利用
読み込んだモデルを使って推論を行います。
比較のために、保存前のモデルで実施したのと同じようにunseenデータ(10%の未使用データ)を使います。
[Google Colaboratory]
1 | predictions = predict_model(load_tuned_rf_model, data = boston_data_unseen) |
[実行結果]
保存前のモデルと全く同じ推論結果となりました。
このようにPyCaretではパイプラインごとにモデルが保存されいて再利用可能な状態となっています。
前処理をPyCaretで確定させておけば、モデルとの差分が発生することはありません。