Python中的utils库load_model()函数示例

Python中的utils库中有一个load_model()函数，用于加载保存的模型。该函数可以将模型加载到内存中，以便进行预测、评估或其他操作。

下面是一个示例代码，展示了如何使用load_model()函数加载模型：

from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.externals import joblib

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.target

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建模型并训练
model = LogisticRegression()
model.fit(X_train, y_train)

# 保存模型
joblib.dump(model, 'model.pkl')

# 加载模型
loaded_model = joblib.load('model.pkl')

# 使用加载的模型进行预测
predictions = loaded_model.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, predictions)
print("Accuracy:", accuracy)

在示例代码中，首先通过load_iris()函数加载了鸢尾花数据集，然后使用train_test_split()函数将数据集划分为训练集和测试集。接下来，创建了一个LogisticRegression模型，并使用fit()方法对模型进行训练。然后，使用joblib.dump()函数将模型保存到磁盘上的"model.pkl"文件中。

最后，使用joblib.load()函数加载了保存的模型，将加载的模型赋值给loaded_model变量。通过loaded_model进行预测，并使用accuracy_score()函数计算了模型的准确率。

这是一个简单的示例，展示了如何使用utils库中的load_model()函数加载保存的模型。你可以根据自己的需求对模型进行更多的操作，例如对新数据进行预测、进行模型的评估等。