? 今日目標

• 掌握如何將訓練好的模型持久化保存到文件
• 熟悉兩種主流保存方式：joblib 和 pickle
• 加載模型并應用于新數據預測
• 實現完整的“訓練 → 保存 → 加載 → 預測”流程
• 為后續部署做準備（如 Flask、FastAPI）

---

🧰 一、模型保存工具對比

工具	特點	推薦場景
pickle	Python 原生序列化工具，支持任意對象	通用保存
joblib	專為 NumPy / sklearn 設計，速度快	大模型保存

---

🧪 二、基本用法示例

? 使用 joblib

from joblib import dump, load# 保存模型
dump(model, 'model.joblib')# 加載模型
model = load('model.joblib')

? 使用 pickle

import pickle# 保存
with open('model.pkl', 'wb') as f:pickle.dump(model, f)# 加載
with open('model.pkl', 'rb') as f:model = pickle.load(f)

---

🧠 三、完整流程練習建議

1. 使用 SVC 訓練一個模型（可復用之前數據）
2. 使用 joblib 保存模型
3. 清空變量，重新加載模型
4. 對測試集進行預測，驗證效果是否一致
5. 可封裝為 model_utils.py 工具模塊

---

🧾 今日總結

學會了什么	用來干嘛
joblib.dump/load()	快速保存/加載模型
pickle.dump/load()	更通用但稍慢
模型持久化流程	為部署和復用做準備

---

📁 練習腳本：save_load_model_demo.py

# SVM 模型保存與加載演示（使用 joblib）import numpy as np
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from joblib import dump, load# 構造數據
np.random.seed(42)
size = 100
scores = np.random.randint(40, 100, size)
genders = np.random.choice([0, 1], size=size)
labels = (scores >= 60).astype(int)X = np.column_stack(((scores - scores.mean()) / scores.std(), genders))
y = labelsX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 訓練模型
model = SVC(kernel='rbf', C=1.0, gamma='scale')
model.fit(X_train, y_train)# 保存模型
dump(model, 'svm_model.joblib')
print("模型已保存為 svm_model.joblib")# 加載模型
loaded_model = load('svm_model.joblib')
print("模型已加載成功")# 預測與評估
y_pred = loaded_model.predict(X_test)
print("測試集準確率：", accuracy_score(y_test, y_pred))

運行輸出：

模型已保存為 svm_model.joblib
模型已加載成功
測試集準確率： 1.0