對於機器學習的一些模型，跑完之後，如果下一次測試又需要重新跑一遍模型是一件很繁瑣的事，這時候我們就需要儲存模型，再載入呼叫。

樓主發現有這些儲存模型的方法，網上有很多錯誤的例子，所以給大家在整理一下。(python3)

1.利用pickle

import pickle
model.fit(train_X, train_y)
s=pickle.dumps(model)
f=open('svm.model', "wb+")
f.write(s)
f.close()
print ("Done\n")
模型儲存
這裡的model已經是生成好的模型了，注意一定要用"wb+"，否則會報錯

f2=open('svm.model','rb')
s2=f2.read()
model1=pickle.loads(s2)
expected = test_y
predicted = model1.predict(test_X)
模型呼叫，注意讀取方式'rb'，否則會報錯

2.利用joblib

from sklearn.externals import joblib
model.fit(train_X, train_y)
joblib.dump(model, "train1_model.m")
print ("Done\n")
模型讀取

model1 = joblib.load("train1_model.m")
expected = test_y 
predicted = model1.predict(test_X)
模型呼叫

相對於上一方法，這個方法寫起來簡單明瞭多了。

好像還有cv方法的，樓主沒有嘗試。

這裡的呼叫僅限在同一個py檔案中，如果在另外一個py檔案中呼叫，預測結果會出錯，具體原因樓主也不清楚，樓主也一直在找一個在另外一個py檔案中呼叫模型的方法，如果大家知道的話，也希望能告訴樓主，感謝！

考慮到如果預測資料又需要跑一遍模型，樓主的建議是，把儲存模型的過程寫進函式裡面，下次不再呼叫該函式即可。