如何使用Keras将ANN模型保存为h5并在其他项目中加载预测

嘿，针对你的客户流失预测ANN模型，我来一步步教你搞定模型的保存和复用：

一、保存训练好的模型为H5格式 #

Keras提供了非常便捷的方法保存完整模型——包括结构、权重、编译配置，加载后无需重新编译就能直接用。

在你的代码中，等模型训练完成后（也就是classifier.fit(...)执行结束），添加这一行即可：

# 将模型保存为H5格式文件
classifier.save('churn_prediction_model.h5')

这个H5文件会打包所有必要信息：

• 模型的网络层结构配置
• 各层训练好的权重参数
• 模型的编译信息（优化器、损失函数等）
• 甚至能保留训练状态（如果后续需要继续训练的话）

二、在新项目中加载模型并预测 #

要在其他项目里复用这个模型，只需要加载H5文件，再做好数据预处理就能预测了：

1. 加载模型 #

先导入load_model函数，再加载保存好的H5文件：

# 导入必要依赖
import numpy as np
import pandas as pd
from keras.models import load_model
from sklearn.preprocessing import StandardScaler, LabelEncoder, OneHotEncoder

# 加载保存的模型
classifier = load_model('churn_prediction_model.h5')

2. 处理新数据（关键！） #

新数据必须和训练数据做完全一致的预处理，否则预测结果会失真。比如你有一条新客户数据：

# 示例新数据（特征顺序和训练集一致：CreditScore, Geography, Gender, Age, Tenure, Balance, NumOfProducts, HasCrCard, IsActiveMember, EstimatedSalary）
new_customer = np.array([[620, 'Germany', 'Female', 35, 5, 85000, 1, 0, 1, 75000]])

先做和训练时一样的编码：

# 注意：实际项目中建议保存训练时的编码器，这里为演示重新初始化
labelencoder_geo = LabelEncoder()
new_customer[:, 1] = labelencoder_geo.fit_transform(new_customer[:, 1])
labelencoder_gender = LabelEncoder()
new_customer[:, 2] = labelencoder_gender.fit_transform(new_customer[:, 2])

# OneHot编码并去掉第一列（避免虚拟变量陷阱）
onehotencoder = OneHotEncoder(categorical_features=[1])
new_customer = onehotencoder.fit_transform(new_customer).toarray()
new_customer = new_customer[:, 1:]

再用训练时的标准化器做特征缩放（绝对不能用新数据重新拟合scaler）：

# 实际项目中建议保存训练时的scaler，比如用joblib
# 保存：import joblib; joblib.dump(sc, 'scaler.pkl')
# 加载：sc = joblib.load('scaler.pkl')
sc = StandardScaler()
new_customer_scaled = sc.transform(new_customer)

3. 执行预测 #

最后用加载好的模型输出结果：

# 预测流失概率
churn_prob = classifier.predict(new_customer_scaled)
# 转换为二分类结果（阈值设为0.5）
churn_pred = (churn_prob > 0.5)

print(f"客户流失预测结果：{'会流失' if churn_pred[0][0] else '不会流失'}")
print(f"流失概率：{churn_prob[0][0]:.2f}")

额外提示：保存预处理组件 #

为了确保新数据预处理的一致性，建议把训练时用的LabelEncoder、OneHotEncoder和StandardScaler也保存下来，比如用joblib：

import joblib
# 保存预处理工具
joblib.dump(sc, 'scaler.pkl')
joblib.dump(labelencoder_geo, 'labelencoder_geo.pkl')
joblib.dump(labelencoder_gender, 'labelencoder_gender.pkl')

加载时直接调用：

sc = joblib.load('scaler.pkl')
labelencoder_geo = joblib.load('labelencoder_geo.pkl')

这样就能彻底避免因预处理不一致导致的预测偏差啦。

内容的提问来源于stack exchange，提问作者Ind