روش ذخیره و بارگذاری مدل های XGBoost

مدل ها اغلب برای به کارگیری در تولید و ارائه پیش بینی های معنادار برای ورودی های جدید آموزش داده نمی شوند. برای انتقال آنها به خارج از محیط آموزشی خود – باید یک مدل آموزش دیده را ذخیره کنید و آن را در مدل دیگری بارگذاری کنید.

XGBoost یک کتابخانه عالی، منعطف و فوق العاده سریع با عملکرد فوق العاده است و پرچمدار آن XGBRegressor و XGBClassifier معجزه کند

بیایید یک پسرفتگر ساده تربیت کنیم روی مجموعه داده اسباب بازی:

import xgboost as xgb

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler

X, y = datasets.load_diabetes(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y)

scaler = MinMaxScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)


xbg_reg = xgb.XGBRegressor().fit(X_train_scaled, y_train)

حالا بیایید نگاهی به روش ذخیره و بارگذاری مدل ها بیندازیم:

model.save_model() و model.load_model()

به طور رسمی توصیه می شود از آن استفاده کنید save_model() و load_model() توابع ذخیره و بارگذاری مدل ها

هر دو روش نامیده می شوند روی آ Booster نمونه، مثال:

xbg_reg.save_model("model.json")

xbg_reg.save_model("model.txt")


xbg_reg = xgb.Booster()

xbg_reg.load_model("model.json")
preds = xbg_reg.predict(xgb.DMatrix(X_test_scaled))
print(preds(:10)) 

xbg_reg.load_model("model.txt")
preds = xbg_reg.predict(xgb.DMatrix(X_test_scaled))
print(preds(:10)) 

می توانید به طور متناوب مشخص کنید که کدام تقویت کننده پر شده است، در این صورت می توانید آرایه های NumPy را به جای آرایه های پیچیده شده به عنوان تغذیه کنید. DMatrix() ماتریس ها:

xbg_reg.save_model("model.json")
xbg_reg.save_model("model.txt")

xbg_reg = xgb.XGBRegressor()

xbg_reg.load_model("model.json")
preds = xbg_reg.predict(X_test_scaled)
print(preds(:10)) 

xbg_reg.load_model("model.txt")
preds = xbg_reg.predict(X_test_scaled)
print(preds(:10)) 

Joblib

Joblib یک کتابخانه سریال سازی است، با یک API بسیار ساده که به شما امکان می دهد مدل ها را در قالب های مختلف ذخیره کنید:

import joblib

joblib.dump(xbg_reg, "xgb_reg.sav")
xgb_reg = joblib.load("xgb_reg.sav")

preds = xgb_reg.predict(X_test_scaled)
print(preds(:10)) 

ترشی

Pickle یک کتابخانه سریال سازی دیگر است که به شما امکان می دهد مدل ها را به راحتی سریال سازی کنید، اما با فایل ها کمی بیشتر به صورت دستی کار می کند:

import pickle

pickle.dump(xbg_reg, open("xgb_reg.sav", "wb"))
xgb_reg = pickle.load(open("xgb_reg.sav", "rb"))

preds = xgb_reg.predict(X_test_scaled)
print(preds(:10))