关键词的选取原则,做seo要明白网站,星空传媒有限公司网站,百度seo网站优化怎么做1.导出依赖库文件
原生python环境
pip freeze这是最常用的方法#xff0c;适用于任何基于pip的Python环境#xff0c;无论是全局环境还是虚拟环境#xff08;如venv或virtualenv#xff09;。requirements.txt通常用于纯Python项目#xff0c;不包括C库等非Python依赖。…1.导出依赖库文件
原生python环境
pip freeze这是最常用的方法适用于任何基于pip的Python环境无论是全局环境还是虚拟环境如venv或virtualenv。requirements.txt通常用于纯Python项目不包括C库等非Python依赖。
导出所有已安装依赖
pip freeze requirements.txt将当前环境中所有已安装的库及其版本信息输出到requirements.txt文件中。
精简导出项目依赖 仅导出项目实际使用的依赖可以自动检测项目中哪些库被实际引用并生成更精确的依赖列表
pipreqs ./ --encodingutf8 --force安装命令
pip install -r requirements.txtconda环境
导出当前conda环境的所有包到一个environment.yml文件中这个文件包含了conda环境中的所有依赖包名和版本包括Python包和非Python库也可以用来完全恢复整个conda环境。
conda list --export environment.yml安装命令
conda env create -f environment.yml2.保存和导出PMML文件
PMML(Predictive Model Markup Language)预测模型标记语言它是通过XML格式来描述生成的机器学习模型。通常训练好的模型需要在生产环境中部署和使用一般导出为PMML格式以便在其他平台上部署使用再使用目标环境解析PMML文件的库来加载模型并做出预测。
优点PMML采用标准的XML格式保存模型支持很多常用的开源模型转换成PMML文件。支持文本编辑器打开查阅可以实现跨平台部署易于使用Java调用。
缺点对数据预处理的支持有限支持几乎所有的标准数据处理方式但对于自拓展的还缺乏有效支持。缺乏对深度学习模型的支持。
3.示例
# -*- coding: utf-8 -*-
import pandas as pd
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn import tree
from sklearn import metrics
from sklearn.metrics import classification_report
from sklearn2pmml import sklearn2pmml
from sklearn2pmml.pipeline import PMMLPipelineclass TreeModel:def __int__(self):passstaticmethoddef load_data():iris datasets.load_iris()iris_features iris.datairis_target iris.targetfeature_name iris.feature_namestrain_x, test_x, train_y, test_y train_test_split(iris_features,iris_target,test_size0.3,random_state123)return train_x, test_x, train_y, test_y, feature_namedef train_test_model(self):train_x, test_x, train_y, test_y, feature_name self.load_data()model tree.DecisionTreeClassifier(criteriongini)model.fit(train_x, train_y)model.score(train_x, train_y)y_pre model.predict(test_x)tree_matrix metrics.confusion_matrix(test_y, y_pre)print(混淆矩阵\n, tree_matrix)print(结果分类报告\n, classification_report(test_y, y_pre))# 特征重要性feature_important pd.DataFrame([*zip(feature_name, model.feature_importances_)],columns[features, Gini importance])print(特征重要度\n, feature_important.sort_values(byGini importance))return modeldef exe_func(self):model self.train_test_model()# 创建一个PMMLPipeline对象pipline2 PMMLPipeline([(classifier, model)])# 导出模型为PMML格式sklearn2pmml(pipline2, model.pmml)if __name__ __main__:TreeModel().exe_func()
