Python 3.x 保存的sklearn模型与经过训练的模型预测结果不同
我在sklearn中培训了简单随机回归器:Python 3.x 保存的sklearn模型与经过训练的模型预测结果不同,python-3.x,machine-learning,scikit-learn,random-forest,Python 3.x,Machine Learning,Scikit Learn,Random Forest,我在sklearn中培训了简单随机回归器: from sklearn.ensemble import RandomForestRegressor ran_for = RandomForestRegressor(n_estimators = 300, min_samples_split = 2, random_state = RND, n_jobs = 20, max_depth = 8, verbose = 2) ran_for.fit(X_c, y_c) 然后我通过joblib保存
from sklearn.ensemble import RandomForestRegressor
ran_for = RandomForestRegressor(n_estimators = 300, min_samples_split = 2,
random_state = RND, n_jobs = 20, max_depth = 8, verbose = 2)
ran_for.fit(X_c, y_c)
然后我通过joblib保存了模型:
from joblib import dump
dump(ran_for, '/content/random_forest_regressor.joblib')
之后,我重新启动内核,并加载先前保存的模型:
from joblib import load
my_model = load('/content/random_forest_regressor.joblib')
我在同一数据集中的样本上测试了保存的模型:
pred = my_model.predict(X_test)
看起来我保存的模型工作完全错误,以下是预测的唯一值和baplot:
print(pd.Series(pred).unique())
plt.figure(figsize = (10, 10))
pd.Series(pred).hist()
plt.show()
[892.52446705599.29566532539.45592338903.7438715601.12144516]
我做错了吗
我在谷歌Colab上运行这个
编辑:正如评论中所建议的,这里是保存前的模型预测:
pred = ran_for.predict(X_test)
print(pred[:20])
plt.figure(figsize = (10, 10))
pd.Series(pred).hist(bins = 1000).set_xlim([0, 5000])
plt.show()
在这里,你可以看到,该模型正确地预测了数值。结果表明,这是谷歌Colab的问题。在我的本地机器上尝试了相同的方法-效果很好。在保存和重新加载之前,您需要向我们显示预测,以证明这实际上是不同的。谢谢,我编辑了这个问题