使用 tensorflow tf.contrib.learn.SVM 训练 svm 模型并保存模型;代码
feature_columns = [tf.contrib.layers.real_valued_column(feat) for feat in self.feature_columns]
model_dir = os.path.join(define.root, 'src', 'static_data', 'svm_model_dir')
model = svm.SVM(example_id_column='example_id',
feature_columns=feature_columns,
model_dir=model_dir,
config=tf.contrib.learn.RunConfig(save_checkpoints_secs=10))
model.fit(input_fn=lambda: self.input_fun(self.df_train), steps=10000)
results = model.evaluate(input_fn=lambda: self.input_fun(self.df_test), steps=5, metrics=validation_metrics)
for key in sorted(results):
print('% s: % s' % (key, results[key]))
hwo 重新加载经过训练的模型并使用 predict 对新数据进行分类?
您先调用svm.SVM(..., model_dir)
,然后再调用fit()
andevaluate()
方法。
您调用svm.SVM(..., model_dir)
然后可以调用predict()
方法。您的模型将在 中找到经过训练的模型model_dir
并将加载经过训练的模型参数。
本文收集自互联网,转载请注明来源。
如有侵权,请联系 [email protected] 删除。
我来说两句