✅ 今日目标

• 掌握如何将训练好的模型持久化保存到文件
• 熟悉两种主流保存方式：joblib 和 pickle
• 加载模型并应用于新数据预测
• 实现完整的“训练 → 保存 → 加载 → 预测”流程
• 为后续部署做准备（如 Flask、FastAPI）

---

🧰 一、模型保存工具对比

工具	特点	推荐场景
pickle	Python 原生序列化工具，支持任意对象	通用保存
joblib	专为 NumPy / sklearn 设计，速度快	大模型保存

---

🧪 二、基本用法示例

✅ 使用 joblib

from joblib import dump, load# 保存模型
dump(model, 'model.joblib')# 加载模型
model = load('model.joblib')

✅ 使用 pickle

import pickle# 保存
with open('model.pkl', 'wb') as f:pickle.dump(model, f)# 加载
with open('model.pkl', 'rb') as f:model = pickle.load(f)

---

🧠 三、完整流程练习建议

1. 使用 SVC 训练一个模型（可复用之前数据）
2. 使用 joblib 保存模型
3. 清空变量，重新加载模型
4. 对测试集进行预测，验证效果是否一致
5. 可封装为 model_utils.py 工具模块

---

🧾 今日总结

学会了什么	用来干嘛
joblib.dump/load()	快速保存/加载模型
pickle.dump/load()	更通用但稍慢
模型持久化流程	为部署和复用做准备

---

📁 练习脚本：save_load_model_demo.py

# SVM 模型保存与加载演示（使用 joblib）import numpy as np
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from joblib import dump, load# 构造数据
np.random.seed(42)
size = 100
scores = np.random.randint(40, 100, size)
genders = np.random.choice([0, 1], size=size)
labels = (scores >= 60).astype(int)X = np.column_stack(((scores - scores.mean()) / scores.std(), genders))
y = labelsX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 训练模型
model = SVC(kernel='rbf', C=1.0, gamma='scale')
model.fit(X_train, y_train)# 保存模型
dump(model, 'svm_model.joblib')
print("模型已保存为 svm_model.joblib")# 加载模型
loaded_model = load('svm_model.joblib')
print("模型已加载成功")# 预测与评估
y_pred = loaded_model.predict(X_test)
print("测试集准确率：", accuracy_score(y_test, y_pred))

运行输出：

模型已保存为 svm_model.joblib
模型已加载成功
测试集准确率： 1.0