د 'اچار' ماډل په کارولو سره په Python کې د روزل شوي کلاسیفیر غوره کولو لپاره، موږ کولی شو یو څو ساده ګامونه تعقیب کړو. Pickling موږ ته اجازه راکوي چې یو څیز سریالیز کړو او په فایل کې یې خوندي کړو، کوم چې بیا پورته کیدی شي او وروسته کارول کیدی شي. دا په ځانګړي ډول ګټور دی کله چې موږ غواړو د ماشین زده کړې روزل شوي ماډل خوندي کړو، لکه د ریګریشن کلاسیفیر، د راتلونکي کارونې لپاره پرته له دې چې هر ځل بیا روزنه ته اړتیا ولري.
لومړی، موږ اړتیا لرو چې زموږ په پایتون سکریپټ کې د 'اچار' ماډل وارد کړو:
python import pickle
بیا، موږ اړتیا لرو خپل کټګوري وروزو او روزل شوي ماډل ترلاسه کړو. راځئ فرض کړو چې موږ دمخه د ریګریشن کلاسیفیر روزلی او په یو متغیر کې یې ذخیره کړی چې د 'regression_model' په نوم یادیږي.
د روزل شوي ماډل غوره کولو لپاره، موږ کولی شو د 'pickle.dump()' فنکشن وکاروو. دا فنکشن دوه پیرامیټرې اخلي: هغه څیز چې موږ یې غوره کول غواړو (په دې حالت کې روزل شوی کټګوري)، او د فایل څیز چیرې چې موږ غواړو اچار شوی څیز خوندي کړو. موږ کولی شو د 'open()' فنکشن په کارولو سره د لیکلو بائنری حالت کې فایل خلاص کړو.
python with open('regression_model.pkl', 'wb') as file: pickle.dump(regression_model, file)
په پورتني کوډ کې، موږ د 'regression_model.pkl' په نوم یو فایل د لیکلو په بائنری حالت ('wb') کې خلاصوو او د دویم پیرامیټر په توګه یې 'pickle.dump() ته انتقالوو. روزل شوی طبقه بندي، په 'regression_model' متغیر کې زیرمه شوی، اچار شوی او فایل ته خوندي شوی.
اوس، موږ په بریالیتوب سره زموږ روزل شوي طبقه بندي غوره کړې. موږ کولی شو دا بیرته په حافظه کې پورته کړو کله چې موږ ورته اړتیا لرو د 'pickle.load()' فنکشن په کارولو سره.
python with open('regression_model.pkl', 'rb') as file: loaded_model = pickle.load(file)
په پورتني کوډ کې، موږ اچار شوی فایل د لوستلو بائنری حالت ('rb') کې خلاص کړو او د پیرامیټر په توګه یې 'pickle.load()' ته انتقال کړو. غوره شوی څیز په 'لوډ شوي_موډل' متغیر کې بار شوی ، کوم چې د وړاندوینې یا نورو عملیاتو لپاره کارول کیدی شي.
دلته یو بشپړ مثال دی چې د روزل شوي ریګریشن ډلبندۍ غوره کول او بار کول ښیې:
python import pickle from sklearn.linear_model import LinearRegression # Training the regression model X_train = [[1], [2], [3], [4], [5]] y_train = [2, 4, 6, 8, 10] regression_model = LinearRegression() regression_model.fit(X_train, y_train) # Pickling the trained model with open('regression_model.pkl', 'wb') as file: pickle.dump(regression_model, file) # Loading the pickled model with open('regression_model.pkl', 'rb') as file: loaded_model = pickle.load(file) # Using the loaded model for prediction X_test = [[6]] predicted_value = loaded_model.predict(X_test) print(predicted_value)
په پورتنۍ بېلګه کې، موږ لومړی د 'sklearn.linear_model' ماډل څخه د 'LinearRegression' ټولګي په کارولو سره یو ساده خطي ریګریشن ماډل وروزو. بیا موږ روزل شوي ماډل د 'regression_model.pkl' په نوم فایل ته غوره کوو. وروسته، موږ اچار شوی ماډل له فایل څخه پورته کوو او د ازموینې ان پټ 'X_test' لپاره د ارزښت وړاندوینې لپاره یې کاروو.
د روزل شوي کټګورۍ په غوره کولو او بارولو سره، موږ کولی شو ماډل بیا وکاروو پرته له دې چې دا بیا وروزل شي، کوم چې کولی شي د پام وړ وخت او کمپیوټري سرچینې خوندي کړي.
په اړه نورې وروستۍ پوښتنې او ځوابونه د پیتان سره د EITC/AI/MLP ماشین زده کړه:
- د ملاتړ ویکتور ماشین (SVM) څه شی دی؟
- ایا د K نږدې ګاونډیانو الګوریتم د روزنې وړ ماشین زده کړې ماډلونو جوړولو لپاره مناسب دی؟
- ایا د SVM روزنې الګوریتم معمولا د بائنری خطي کټګوري په توګه کارول کیږي؟
- ایا د ریګریشن الګوریتمونه د دوامداره معلوماتو سره کار کولی شي؟
- آیا خطي ریګریشن په ځانګړې توګه د اندازه کولو لپاره مناسب دی؟
- د ډیټا پوائنټونو د کثافت پراساس د ډینامیک بینډ ویت شفټ معنی څنګه د بینډ ویت پیرامیټر په مناسب ډول تنظیموي؟
- د منځني شفټ متحرک بینډ ویت پلي کولو کې د فیچر سیټونو ته د وزن ټاکلو هدف څه دی؟
- د نوي وړانګو ارزښت څنګه د منځنۍ بدلون متحرک بینډ ویت طریقې کې ټاکل کیږي؟
- د منځنۍ بدلون متحرک بینډ ویت طریقه څنګه د ریډیس سخت کوډ کولو پرته په سمه توګه د سینټروایډونو موندلو اداره کوي؟
- په منځني شفټ الګوریتم کې د ثابت وړانګو کارولو محدودیت څه دی؟
نورې پوښتنې او ځوابونه په EITC/AI/MLP ماشین زده کړه کې د Python سره وګورئ