如何克隆scikit学习估计器，包括其数据

Question

我正试图对一个朴素贝叶斯估计器执行的部分拟合，但也在部分拟合之前保留该估计器的副本。sklearn.base.clone只克隆了一个估计器参数，而不是它的数据，所以在这种情况下没有用处。对克隆执行部分拟合仅使用在部分拟合期间添加的数据，因为克隆实际上是空的。

from sklearn.naive_bayes import MultinomialNB
model = MultinomialNB()
fit_model = model.fit(np.array(X),np.array(y))
fit_model2 = model.partial_fit = (np.array(Z),np.array(w)),np.unique(y))

在上面的例子中，fit_model和fit_model2将是相同的，因为它们都指向同一个对象。我想原封不动地保留原件。我的解决方法是将原始对象pickle并加载到一个新对象中以执行部分拟合

model = MultinomialNB()
fit_model = model.fit(np.array(X),np.array(y))
import pickle
with open('saved_model', 'wb') as f:
    pickle.dump([model], f)
with open('saved_model', 'rb') as f:
    [model2] = pickle.load(f) 
fit_model2 = model2.partial_fit(np.array(Z),np.array(w)),np.unique(y))

此外，我每次都可以使用新数据进行完全改装，但由于我需要执行数千次，我正在努力寻找更有效的方法。

Answer 1

1. model.fit()返回模型本身（同一对象）。因此，您不必将其指定给其他变量，因为它只是混叠。

2. 您可以使用deepcopy来复制对象，其方式与加载pickle对象的方式类似。

所以，如果你做了这样的事情：

from copy import deepcopy
model = MultinomialNB()
model.fit(np.array(X), np.array(y))
model2 = deepcopy(model)
model2.partial_fit(np.array(Z),np.array(w)), np.unique(y))
# ...

model2将是一个不同的对象，具有model的复制参数，包括"训练"的参数。

Answer 2

from copy import deepcopy
model = MultinomialNB()
model.fit(np.array(X), np.array(y))
model2 = deepcopy(model)
weight_vector_model = array(model.coef_[0])
weight_vector_model2 = array(model2.coef_[0])
model2.partial_fit(np.array(Z),np.array(w)), np.unique(y))
weight_vector_model = array(model.coef_[0])
weight_vector_model2 = array(model2.coef_[0])

model和model2现在是完全不同的对象。model2上的partial_fit（）不会对模型产生影响。两个权重向量在深度复制后相同，但在模型2 上的partial_fit（）后不同

Answer 3

我尝试了deepcopy，但在删除变量时内存泄漏。我在文档中发现，建议使用克隆sklearn.base.clone

from sklearn.base import clone
model2 = clone(model)