Scikit-learn模型保存与SVM预测输出范围技术问询

嘿，我来帮你理清这两个问题：

一、Scikit-learn的模型保存功能，以及SVM预测输出范围的疑问 #

首先，Scikit-learn当然提供模型保存功能——只不过它没有给每个模型单独做save方法，而是利用Python的序列化工具来搞定。你可以用标准库的pickle，或者Scikit-learn官方推荐的joblib（后者对包含大量数值数组的模型更高效）来把整个模型对象保存到磁盘，之后随时加载复用。

至于你说的预测输出被限制在[-1,1]，这个其实是二分类场景下SVC的特定行为，而且和你的训练数据标签直接相关：

• 如果你的训练数据用[-1,1]作为两类的标签，那predict()返回的结果自然就是这两个值；
• 要是你用0和1这类其他标签训练，predict()也会返回对应的标签；
• 另外，可能你混淆了predict()和decision_function()：前者是离散的分类结果，后者是连续的决策值（范围不固定，但符号对应分类倾向），别搞混啦。

二、SVC模型的保存与重建方法 #

你观察得没错，SVC确实没有自带的save方法——Scikit-learn的设计思路是统一用序列化工具处理所有模型，而不是每个模型单独实现保存逻辑。这里给你推荐最通用的方案，用joblib来保存和加载：

保存SVC模型 #

from sklearn.svm import SVC
from sklearn.datasets import make_classification
from joblib import dump, load

# 先训练一个示例模型
X, y = make_classification(n_samples=100, n_features=4, random_state=42)
clf = SVC(kernel='linear', C=3)
clf.fit(X, y)

# 把模型保存到磁盘文件
dump(clf, 'my_svc_model.joblib')

加载并重建模型 #

# 从磁盘加载保存的模型
loaded_clf = load('my_svc_model.joblib')

# 测试一下，输出应该和原模型一致
print(loaded_clf.predict(X[:1]))

如果你习惯用pickle，代码也很类似：

import pickle

# 保存模型
with open('my_svc_model.pkl', 'wb') as f:
    pickle.dump(clf, f)

# 加载模型
with open('my_svc_model.pkl', 'rb') as f:
    loaded_clf = pickle.load(f)

你提到的“保存系数后用点积还原”的方法，只适用于线性核的SVC（非线性核根本没有可直接提取的系数），而用joblib/pickle可以保存任何核函数的SVC模型，不管是线性还是RBF、多项式核，这才是通用的正确做法。

内容的提问来源于stack exchange，提问作者NoBugs