Python 如何保存占用较少内存的机器学习模型

我正在训练一个RandomForest分类器，它有大约580mb的大数据集，需要30多分钟才能适应。 现在，当我尝试使用joblib保存模型时，保存的模型占用大约11.1gb的空间。 这是正常的还是我可以在部署模型时更有效地节省空间

是否值得使用占用这么多空间的模型，因为我在相同数据上有一个决策树模型，占用278mb的空间，并且它的准确度仅比它低2%（91%）

这是模型保存代码

from sklearn.externals import joblib  
# Save the model as a pickle in a file 
joblib.dump(Random_classifier, '/content/drive/My Drive/Random_classifier.pkl') 

---

我是一个新手，所以不要投票来结束这个问题，请留下评论。我愿意尽快编辑这个问题。

随机森林分类方法在内存中非常昂贵。 尝试降低决策树的数量，可能会减少一些内存。 看起来你的数据集也很大，所以我认为它似乎符合你的权重大小。

---

另外，我知道有一种pickle方法可以节省权重，我建议也去看看。

随机森林分类方法在内存中非常昂贵。 尝试降低决策树的数量，可能会减少一些内存。 看起来你的数据集也很大，所以我认为它似乎符合你的权重大小。

---

另外，我知道有一种pickle方法可以节省重量，我也建议你去看看。

Avivzx，所以你建议用pickle代替joblib，但它们与我在Avivzx的许多地方（站点）读到的非常相似，所以你建议用pickle代替joblib，但它们与我在许多地方（站点）读到的非常相似