保存预处理步骤

当训练机器学习模型时，通常会先进行一些数据准备步骤。这可能包括处理缺失值、对数值特征进行缩放或对类别特征进行编码。你的模型根据这些转换后的数据学习模式。

思考一下，当你使用这个训练好的模型对新的、未见过的数据进行预测时会发生什么。这些新数据将以其原始格式呈现。如果你将这些原始数据直接输入模型，结果很可能毫无意义或非常不准确。为什么？因为模型期望的数据与其训练时转换过的数据完全一致。

因此，仅仅保存训练好的模型对象本身是不够的。你还需要保存你在训练期间应用的预处理步骤的状态。这可确保你在将任何新数据输入模型进行预测之前，能够使用完全相同的参数（例如，缩放器学习的均值和标准差，或编码器学习的类别）应用完全相同的转换。

保持一致性是必需的

训练机器学习模型时，通常会先执行多项数据准备步骤。这些步骤可能包括处理缺失值、对数值特征进行缩放，或者对分类特征进行编码。模型是根据这些转换后的数据来学习模式的。

现在，有一个新的预测请求到来，需要预测一栋面积为1500平方英尺的房屋。

• 错误做法： 将1500直接输入模型。模型是根据缩放后的值训练的（例如，1500平方英尺的缩放等价物可能是0.5），它会将1500解释为一个非常大、异常的值，从而导致房价预测结果严重不准确。
• 正确做法： 加载你在训练期间使用的同一个StandardScaler对象。对新值（1500）使用其transform方法，以获得正确缩放后的值（例如，0.5）。将这个缩放后的值输入模型。

同样的原理也适用于独热编码等其他预处理步骤。如果你在训练期间使用了OneHotEncoder，那么在预测时也必须使用相同的已拟合编码器。这可确保新数据被转换为相同的二元列集，正确处理已知类别，并根据编码器在训练期间的配置方式处理任何以前未见过的类别。

保存预处理对象

幸运的是，我们讨论过的用于保存模型的工具，pickle和joblib，同样适用于保存这些预处理对象。像scikit-learn中的StandardScaler、MinMaxScaler、OneHotEncoder或LabelEncoder这样的对象都是Python对象，它们的状态（学习到的参数）可以在拟合训练数据后被序列化。

这是一个使用scikit-learn和joblib的例子：

# 假设 'X_train' 是你的训练数据
from sklearn.preprocessing import StandardScaler
import joblib

# 1. 初始化缩放器
scaler = StandardScaler()

# 2. 将缩放器拟合到训练数据（它学习均值和标准差）
scaler.fit(X_train)

# 3. 保存拟合好的缩放器对象
joblib.dump(scaler, 'scaler.joblib')

# --- 之后，用于预测 ---

# 加载保存的缩放器
loaded_scaler = joblib.load('scaler.joblib')

# 假设 'X_new' 是新的原始数据
# 应用*完全相同*的转换
X_new_scaled = loaded_scaler.transform(X_new)

# 现在 X_new_scaled 已准备好输入模型
# （假设模型也已单独保存和加载）

你会遵循类似的过程来保存你训练好的模型对象。你保存拟合好的缩放器和拟合好的模型，然后在需要进行预测时加载两者。

使用Scikit-learn管道以获得便利

管理多个独立文件（一个用于缩放器，一个用于编码器，一个用于模型等）可能会变得繁琐且容易出错。你是否保存了正确版本的缩放器与正确版本的模型呢？

一种更简洁的做法是使用Scikit-learn的Pipeline对象。管道将多个步骤（如预处理和建模）串联成一个对象。当你fit管道时，它会在训练数据上按顺序拟合所有步骤。当你使用管道进行predict时，它会自动将所有拟合好的转换按正确顺序应用到输入数据，然后将其传递给最终估计器（你的模型）进行预测。

# 假设 'X_train'、'y_train' 是你的训练数据和标签
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
import joblib

# 1. 定义管道中的步骤
#    ('scaler', StandardScaler()) 是一个元组：('名称', 对象)
#    ('classifier', LogisticRegression()) 是最终估计器
steps = [
    ('scaler', StandardScaler()),
    ('classifier', LogisticRegression())
]

# 2. 创建管道
pipeline = Pipeline(steps)

# 3. 拟合整个管道
#    这将首先在 X_train 上拟合缩放器，然后转换 X_train，
#    最后在转换后的 X_train 上拟合 LogisticRegression 模型。
pipeline.fit(X_train, y_train)

# 4. 保存*整个*拟合好的管道对象
joblib.dump(pipeline, 'full_pipeline.joblib')

# --- 之后，用于预测 ---

# 加载单个管道对象
loaded_pipeline = joblib.load('full_pipeline.joblib')

# 假设 'X_new' 是新的原始数据
# 直接使用管道进行预测
# 它使用拟合好的缩放器自动缩放 X_new，
# 然后使用拟合好的模型进行预测。
predictions = loaded_pipeline.predict(X_new)

这里是一个简单的数据流可视化，展示数据在预测期间如何通过此管道：

使用已加载的scikit-learn管道进行预测时的数据流，该管道包含一个缩放器和一个模型。

使用管道显著简化了部署过程：

1. 封装： 将预处理和建模打包成一个单元。
2. 一致性： 确保在训练和预测期间以相同的顺序应用相同的步骤。
3. 简洁性： 你只需保存和加载一个管道对象，而不是管理多个文件。

在准备模型进行部署时，始终考虑如何处理相关的预处理步骤。保存单个拟合好的预处理器是可行的，但使用管道通常是一种更清晰、更可靠的策略，尤其当你的建模过程变得更复杂时。