python-3.x - 保存的 sklearn 模型的预测与训练过的模型不同

Question

我在 sklearn 中训练了简单的 RandomForestRegressor：

from sklearn.ensemble import RandomForestRegressor

ran_for = RandomForestRegressor(n_estimators = 300, min_samples_split = 2, 
   random_state = RND, n_jobs = 20, max_depth = 8, verbose = 2)
ran_for.fit(X_c, y_c)

然后我通过joblib保存了模型：

from joblib import dump

dump(ran_for, '/content/random_forest_regressor.joblib')

之后，我重新启动了内核，并加载了先前保存的模型：

from joblib import load

my_model = load('/content/random_forest_regressor.joblib')

我在来自同一数据集的样本上测试了保存的模型：

pred = my_model.predict(X_test)

看起来我保存的模型完全错误，这是预测的唯一值和 baplot：

print(pd.Series(pred).unique())
plt.figure(figsize = (10, 10))
pd.Series(pred).hist()
plt.show()

[892.52446705 599.29566532 539.45592338 903.74387156 601.12144516]

预测条形图

我做错了吗？

我在 Google Colab 中运行它

编辑：正如评论中所建议的，这是保存前的模型预测：

pred = ran_for.predict(X_test)
print(pred[:20])
plt.figure(figsize = (10, 10))
pd.Series(pred).hist(bins = 1000).set_xlim([0, 5000])
plt.show()

输出 在这里您可以看到，该模型正确地预测了值。

标签： python-3.xmachine-learningscikit-learnrandom-forest

Answer 1

原来是 Google Colab 的问题。在我的本地机器上尝试过 - 工作正常。