روش ذخیره و بارگیری مقیاس‌کننده‌های Fit Scikit-Learn

مقیاس‌کننده‌های Scikit-Learn تقریباً ستون فقرات همه رگرسیورها و طبقه‌بندی‌کننده‌های ساخته شده هستند. روی در راس آنها، مقیاس دادن داده ها به یک محدوده قابل اجرا و آماده سازی یک نمایش پنهان برای یادگیری.

اگر می‌خواهید درباره مقیاس‌بندی ویژگی‌ها بیشتر بخوانید، «داده‌های مقیاس‌بندی ویژگی با Scikit-Learn برای یادگیری ماشین در پایتون» ما را بخوانید!

زمانی که می‌خواهید مدل خود را به سمت تولید سوق دهید، می‌خواهید داده‌ها را به همان روشی که در طول آموزش برای کارکرد مدل مقیاس شده است، مقیاس‌بندی کنید. یک جرمگیر تازه که مناسب نبود روی داده های آموزشی شما هرگز همان بازنمایی های نهفته را بازتولید نمی کند!

خوشبختانه، ذخیره یک مقیاس‌کننده از قبل مناسب و بارگذاری آن در محیطی متفاوت در کنار مدل، آسان است تا داده‌ها را به همان روشی که در طول آموزش انجام می‌شود، مقیاس‌بندی کنید:

import joblib

scaler = sklearn.preprocessing.StandardScaler()
joblib.dump(scaler, 'scaler.save') 
scaler = joblib.load('scaler.save') 

عملی کردن آن:

import joblib

scaler = sklearn.preprocessing.MinMaxScaler()
scaler.fit(X_train)
print('Scaler results:', scaler.transform(X_train)(:1))

joblib.dump(scaler, 'scaler.save') 
scaler = joblib.load('scaler.save') 
print('Loaded scaler results:', scaler.transform(X_train)(:1))

این نتیجه در:

Scaler results: ((0.16060468 0.52941176 0.02742132 0.02532079 0.02561875 0.00184402
  0.4293305  0.47310757))
  
Loaded scaler results: ((0.16060468 0.52941176 0.02742132 0.02532079 0.02561875 0.00184402
  0.4293305  0.47310757))

داده ها در هر دو دقیقاً به همان روش مقیاس بندی شدند scaler اشیاء!