我已经训练了scikit学习模型，现在我想在我的python代码中使用。 有没有办法可以重复使用相同的模型实例？ 以一种简单的方式，我可以在需要时再次加载模型，但由于我的需求更频繁，我想加载模型一次并重新使用它。
有没有办法在python中实现这个目标？
以下是prediction.py中的一个线程的代码：
clf = joblib.load('trainedsgdhuberclassifier.pkl')
clf.predict(userid)
现在对于另一个用户，我不想再次启动prediction.py并花时间加载模型。有没有办法，我可以简单地写一下。
new_recommendations = prediction(userid)
我应该在这里使用多处理吗？我不确定!!
答案 0 :(得分：4)
根据Scikit-learn文档，以下代码可能对您有所帮助：
from sklearn import svm
from sklearn import datasets
clf = svm.SVC()
iris = datasets.load_iris()
X, y = iris.data, iris.target
clf.fit(X, y)
import pickle
s = pickle.dumps(clf)
clf2 = pickle.loads(s)
clf2.predict(X[0])
在scikit的特定情况下，使用joblib替换pickle（joblib.dump＆amp; joblib.load）可能更有趣，这对于在内部携带大型numpy数组的对象更有效，因为通常情况下对于拟合的scikit-learn估算器，但只能腌制到磁盘而不是字符串：
from sklearn.externals import joblib
joblib.dump(clf, 'filename.pkl')
稍后您可以使用以下命令加载pickle模型（可能在另一个Python进程中）
clf = joblib.load('filename.pkl')
再次装入模型后。您可以重复使用它而无需重新训练。
clf.predict(X[0])
来源：http://scikit-learn.org/stable/modules/model_persistence.html
答案 1 :(得分：0)
首先，您应该检查这是多少瓶颈以及是否真的值得避开IO。 SGDC分类器通常很小。您可以轻松地重用该模型，但问题并不是关于如何重用我所说的模型，而是如何将新用户实例添加到分类器。
我认为userid是一个特征向量，而不是一个ID，对吗？
要使模型对新数据进行预测，您需要某种基于事件的处理，在新输入到达时调用模型。 我到目前为止还不是专家，但我认为一个简单的解决方案可能是使用http接口并使用轻量级服务器，如flask。