'ஊறுகாய்' தொகுதியைப் பயன்படுத்தி பைத்தானில் பயிற்சி பெற்ற வகைப்படுத்தியை ஊறுகாய் செய்ய, நாம் சில எளிய வழிமுறைகளைப் பின்பற்றலாம். ஊறுகாய் ஒரு பொருளை வரிசைப்படுத்தி அதை ஒரு கோப்பில் சேமிக்க அனுமதிக்கிறது, பின்னர் அதை ஏற்றி பின்னர் பயன்படுத்தலாம். ஒவ்வொரு முறையும் மீண்டும் பயிற்சி செய்யாமல் எதிர்கால பயன்பாட்டிற்காக, பின்னடைவு வகைப்படுத்தி போன்ற பயிற்சி பெற்ற இயந்திர கற்றல் மாதிரியை சேமிக்க விரும்பும்போது இது மிகவும் பயனுள்ளதாக இருக்கும்.
முதலில், நமது பைதான் ஸ்கிரிப்ட்டில் 'ஊறுகாய்' தொகுதியை இறக்குமதி செய்ய வேண்டும்:
python import pickle
அடுத்து, எங்கள் வகைப்படுத்தியைப் பயிற்றுவித்து, பயிற்சி பெற்ற மாதிரியைப் பெற வேண்டும். நாம் ஏற்கனவே ஒரு பின்னடைவு வகைப்படுத்தியைப் பயிற்றுவித்து அதை 'regression_model' எனப்படும் மாறியில் சேமித்து வைத்திருக்கிறோம் என்று வைத்துக்கொள்வோம்.
பயிற்சி பெற்ற மாதிரியை ஊறுகாய் செய்ய, நாம் 'pickle.dump()' செயல்பாட்டைப் பயன்படுத்தலாம். இந்த செயல்பாடு இரண்டு அளவுருக்களை எடுக்கும்: நாம் ஊறுகாய் செய்ய விரும்பும் பொருள் (இந்த விஷயத்தில், பயிற்சியளிக்கப்பட்ட வகைப்படுத்தி), மற்றும் நாம் ஊறுகாய் செய்யப்பட்ட பொருளை சேமிக்க விரும்பும் கோப்பு பொருள். 'open()' செயல்பாட்டைப் பயன்படுத்தி நாம் எழுதும் பைனரி பயன்முறையில் ஒரு கோப்பைத் திறக்கலாம்.
python with open('regression_model.pkl', 'wb') as file: pickle.dump(regression_model, file)
மேலே உள்ள குறியீட்டில், 'regression_model.pkl' என்ற கோப்பை எழுதும் பைனரி பயன்முறையில் ('wb') திறந்து, அதை 'pickle.dump()' க்கு இரண்டாவது அளவுருவாக அனுப்புவோம். பயிற்சியளிக்கப்பட்ட வகைப்படுத்தி, 'regression_model' மாறியில் சேமிக்கப்பட்டு, ஊறுகாய் செய்யப்பட்டு கோப்பில் சேமிக்கப்படுகிறது.
இப்போது, எங்கள் பயிற்சி பெற்ற வகைப்படுத்தியை வெற்றிகரமாக ஊறுகாய் செய்துள்ளோம். 'pickle.load()' செயல்பாட்டைப் பயன்படுத்தி நமக்குத் தேவைப்படும் போதெல்லாம் அதை நினைவகத்தில் மீண்டும் ஏற்றலாம்.
python with open('regression_model.pkl', 'rb') as file: loaded_model = pickle.load(file)
மேலே உள்ள குறியீட்டில், ஊறுகாய் செய்யப்பட்ட கோப்பை ரீட் பைனரி பயன்முறையில் ('rb') திறந்து, அதை அளவுருவாக 'pickle.load()' க்கு அனுப்புவோம். ஊறுகாய் செய்யப்பட்ட பொருள் 'loaded_model' மாறியில் ஏற்றப்படுகிறது, இது கணிப்பு அல்லது வேறு எந்த செயல்பாடுகளுக்கும் பயன்படுத்தப்படலாம்.
பயிற்சி பெற்ற பின்னடைவு வகைப்படுத்தியின் ஊறுகாய் மற்றும் ஏற்றுதல் ஆகியவற்றை நிரூபிக்கும் முழுமையான எடுத்துக்காட்டு இங்கே:
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)
மேலே உள்ள எடுத்துக்காட்டில், 'sklearn.linear_model' தொகுதியிலிருந்து 'LinearRegression' வகுப்பைப் பயன்படுத்தி முதலில் ஒரு எளிய நேரியல் பின்னடைவு மாதிரியைப் பயிற்றுவிப்போம். பயிற்சியளிக்கப்பட்ட மாதிரியை 'regression_model.pkl' என்ற பெயரில் ஒரு கோப்பில் ஊறுகாய் செய்கிறோம். பின்னர், கோப்பிலிருந்து ஊறுகாய் மாதிரியை ஏற்றி, 'X_test' சோதனை உள்ளீட்டிற்கான மதிப்பைக் கணிக்க அதைப் பயன்படுத்துவோம்.
பயிற்சியளிக்கப்பட்ட வகைப்படுத்தியை ஊறுகாய் செய்து ஏற்றுவதன் மூலம், மாதிரியை மீண்டும் பயிற்சி செய்யாமல் மீண்டும் பயன்படுத்தலாம், இது கணிசமான அளவு நேரத்தையும் கணக்கீட்டு வளங்களையும் சேமிக்கும்.
தொடர்பான பிற சமீபத்திய கேள்விகள் மற்றும் பதில்கள் பைத்தானுடன் EITC/AI/MLP இயந்திர கற்றல்:
- சப்போர்ட் வெக்டர் மெஷின் (SVM) என்றால் என்ன?
- K அருகிலுள்ள அண்டை நாடுகளின் அல்காரிதம் பயிற்சியளிக்கக்கூடிய இயந்திர கற்றல் மாதிரிகளை உருவாக்குவதற்கு மிகவும் பொருத்தமானதா?
- SVM பயிற்சி அல்காரிதம் பொதுவாக பைனரி லீனியர் வகைப்படுத்தியாகப் பயன்படுத்தப்படுகிறதா?
- பின்னடைவு அல்காரிதம்கள் தொடர்ச்சியான தரவுகளுடன் வேலை செய்ய முடியுமா?
- நேரியல் பின்னடைவு குறிப்பாக அளவிடுதலுக்கு மிகவும் பொருத்தமானதா?
- சராசரி ஷிப்ட் டைனமிக் அலைவரிசையானது தரவுப் புள்ளிகளின் அடர்த்தியின் அடிப்படையில் அலைவரிசை அளவுருவை எவ்வாறு மாற்றியமைக்கிறது?
- சராசரி ஷிப்ட் டைனமிக் அலைவரிசை செயலாக்கத்தில் அம்சத் தொகுப்புகளுக்கு எடைகளை ஒதுக்குவதன் நோக்கம் என்ன?
- சராசரி ஷிப்ட் டைனமிக் அலைவரிசை அணுகுமுறையில் புதிய ஆரம் மதிப்பு எவ்வாறு தீர்மானிக்கப்படுகிறது?
- சராசரி ஷிப்ட் டைனமிக் அலைவரிசை அணுகுமுறையானது, ஆரத்தை கடின குறியீடாக்காமல் சென்ட்ராய்டுகளை சரியாகக் கண்டறிவதை எவ்வாறு கையாளுகிறது?
- சராசரி ஷிப்ட் அல்காரிதத்தில் நிலையான ஆரத்தைப் பயன்படுத்துவதற்கான வரம்பு என்ன?
Python உடன் EITC/AI/MLP இயந்திர கற்றலில் கூடுதல் கேள்விகள் மற்றும் பதில்களைக் காண்க