как сохранить объекты и их значения, используемые в деревьях решений, в файле pickle вместе с моделью - PullRequest
Новая
       22

как сохранить объекты и их значения, используемые в деревьях решений, в файле pickle вместе с моделью

0 голосов
/ 02 мая 2020

предположим, у меня есть классификатор дерева решений, построенный с помощью библиотеки sklearn. Чтобы сохранить файл модели в рассоле, теперь я загружаю его снова, чтобы увидеть дескрипторы модели, т. Е. Все функции и их значения, я получаю только определение модели.

это код: 

import pickle
with open("./decision_treee.pkl", 'rb') as f:
    pickle_model = pickle.load(f)
print(pickle_model)

это то, что я получаю в качестве вывода: 

`DecisionTreeClassifier(ccp_alpha=0.0, class_weight=None, criterion='gini',
                   max_depth=7, max_features=None, max_leaf_nodes=None,
                   min_impurity_decrease=0.0, min_impurity_split=None,
                   min_samples_leaf=2, min_samples_split=2,
                   min_weight_fraction_leaf=0.0, presort='deprecated',
                   random_state=50, splitter='best')`

как мне получить функции и их значения, которые принимают решения, и, наконец, классифицировать данные ввода данных? вот так. 

|--- feature1<= 1.50

|   |--- feature2<= 0.88
|   |   |--- feature3<= 0.05
|   |   |   |--- feat4<= 0.58
|   |   |   |   |--- class: 1.0
|   |   |   |--- feat4>  0.58
|   |   |   |   |--- class: 1.0
|   |   |--- feat3>  0.05
|   |   |   |--- class: 1.0
|   |--- feat2>  0.88
|   |   |--- class: 0.0
|--- feat1>  1.50
|   |--- feat5<= 0.22
|   |   |--- feat6<= 0.90
|   |   |   |--- feat7<= 0.1
|   |   |   |   |   |--- other_chars >  0.14
|   |   |   |   |   |   |--- class: 0.0
|   |   |--- feat3>  0.90
|   |   |   |--- feat5<= 0.13
|   |   |   |   |--- feat6<= 0.25
|   |   |   |   |   |--- class: 1.0
|   |   |   |   |--- feat6>  0.25
|   |   |   |   |   |--- class: 0.0

Можно ли сохранить эти функции и их значения в файле выбора, а не только в определении модели?

1 Ответ

0 голосов
/ 03 мая 2020

Если вы мариновали обученную модель, она должна содержать все функции и значения после загрузки. Используйте sklearn.tree.export_text (), чтобы проверить, правильно ли загружена ваша модель.

...