Python 如何克隆scikit学习估计器，包括其数据？

我试图对朴素贝叶斯估计量执行部分拟合，但在部分拟合之前保留估计量的副本。sklearn.base.clone只克隆估计器参数，而不是它的数据，因此在这种情况下不有用。对克隆执行部分拟合仅使用在部分拟合期间添加的数据，因为克隆实际上是空的

from sklearn.naive_bayes import MultinomialNB

model = MultinomialNB()
fit_model = model.fit(np.array(X),np.array(y))
fit_model2 = model.partial_fit = (np.array(Z),np.array(w)),np.unique(y))

在上面的示例中，fit_model和fit_model2将是相同的，因为它们都指向相同的对象。我想保留原稿不变。我的解决方法是对原始对象进行pickle处理，并将其加载到新对象中，以便对其执行部分拟合。像这样：

model = MultinomialNB()
fit_model = model.fit(np.array(X),np.array(y))

import pickle
with open('saved_model', 'wb') as f:
    pickle.dump([model], f)

with open('saved_model', 'rb') as f:
    [model2] = pickle.load(f) 

fit_model2 = model2.partial_fit(np.array(Z),np.array(w)),np.unique(y))

此外，我每次都可以完全用新数据重新安装，但由于我需要执行数千次，所以我正在尝试找到更有效的方法

model.fit（）

返回模型本身（相同的对象）。因此，您不必将其分配给其他变量，因为它只是一个别名

您可以使用

deepcopy

以与加载pickle对象类似的方式复制对象

所以，如果你做了如下事情：

from copy import deepcopy

model = MultinomialNB()
model.fit(np.array(X), np.array(y))

model2 = deepcopy(model)

model2.partial_fit(np.array(Z),np.array(w)), np.unique(y))
# ...

model2

将是一个不同的对象，带有复制的

model

参数，包括“训练过的”参数

from copy import deepcopy

model = MultinomialNB()
model.fit(np.array(X), np.array(y))

model2 = deepcopy(model)

weight_vector_model = array(model.coef_[0])
weight_vector_model2 = array(model2.coef_[0])

model2.partial_fit(np.array(Z),np.array(w)), np.unique(y))

weight_vector_model = array(model.coef_[0])
weight_vector_model2 = array(model2.coef_[0])

---

model和model2现在是完全不同的对象。model2上的部分_fit（）对model2没有影响。两个权重向量在deepcopy后相同，但在model2上的部分拟合（）后不同

我尝试了deepcopy，但删除变量时内存泄漏。我在文档中发现，建议改用克隆

---

您是否尝试过

copy

或

deepcopy

？谢谢，我会在model2之后尝试。partial_fit（），model也会反映更新。使用deepcopy而不是复制注意，在文档中，它声明

sklearn.base.clone

不复制数据，因此生成不适合的模型。

from sklearn.base import clone
model2 = clone(model)