Python 如何提取学习过的ML模型以实现不同的实现？

我是一名电子爱好者，试图使用ML对传感器中的错误进行建模，我在PC中使用scikit中的SVM在python中学习传感器数据，并对模型进行了训练

但过滤数据的用例是非常即时的，即传感器数据用于维持四架直升机的飞行，原始传感器数据应至少以200 Hz的速率通过学习模型进行过滤，我的电脑可以做到这一点，但我不能将我的电脑放在四架直升机上，因此我需要在微型CPU/微控制器上运行该模型，但是，我选择的任何合适的微控制器都不支持python

因此，我如何获得/提取学习模型的数学本质，换句话说，我如何获得通过训练近似的函数，以便我可以在我选择的任何微控制器中实现它

---

只是一个初学者试图学习，任何帮助将不胜感激

由于计算能力有限，可能一个好的选择是使用逻辑回归，它简单，计算成本低，并且易于重复，它是一个简单的函数，如y=w0+w1.x1+w2.x2+…+wn.xn

要提取函数，可以使用scikit learn LogisticRegression model（）中的以下属性：

属性：系数：数组、形状（1，n个特征）或（n个类， n_特征）

决策函数中特征的系数

当给定的问题是二元问题时，coef_是形状（1，n_特征）

截取：数组、形状（1）或（n类）

添加到决策函数的截距（也称偏差）

如果fit_intercept设置为False，则intercept设置为零。 当问题是二元问题时，intercept_uu的形状为（1，）

---

如果您仍然想使用SVM，我认为这个类似的问题可能对您有用：

您使用的是哪种机器学习算法？C-支持向量分类。有了RBF kernelI，我不是一个电子公司的霍比特人，Tough arduino可以运行Pyton，我们需要实现SVC的决策功能。你在解决分类问题吗？如果是，请尝试逻辑回归，然后很容易导出模型。这只是一个点积，变成了一个s形函数，这是一个类似的问题