sklearn 模型保存与可信加载
保存完整 Pipeline，确保预处理和模型一起交付；只加载自己生成或可信来源的 joblib。
学习前需要掌握
背景与问题
训练结束后，预测服务需要恢复完全相同的变换与模型。只保存分类器、忘记标准化或特征顺序，会让加载成功的对象产生与训练流程不同的预测。
模型持久化因此不仅是写出一个文件，还要保存输入契约、依赖环境和可核对样本，确保未来能够解释这个产物是什么、怎样使用。
概念定义
持久化把已经 fit 的 Python 对象状态写入文件，加载后可直接预测。pickle/joblib 可执行对象构造逻辑，因此不安全文件不能加载。
直观理解
交付的不是一个孤立公式，而是从原始输入到预测的完整机器。
核心原理
优先保存已拟合的完整 Pipeline，让填补、编码、缩放和估计器一起恢复。保存配置不能代替已学习状态；反过来，二进制模型也不能充分解释数据版本、选择过程和适用范围。
joblib 与 pickle 等格式适合受信任环境，但加载可能执行代码，不能读取来源不明的模型文件。文件扩展名、哈希或“来自模型仓库”的标签并不自动证明供应方可信，信任和完整性需要分别判断。
scikit-learn 不承诺跨任意版本恢复的兼容性。应记录 Python、scikit-learn 与相关依赖版本，保留可复现环境；迁移时重新训练或按支持方式导出，并核对预测语义，而不是忽略版本警告。
加载后用固定输入比较预测、类别顺序和特征数量，必要时比较概率与容差。成功 round-trip 只证明这次保存读取保持了结果，不证明模型泛化或文件未来在不同环境中仍兼容。
格式取舍与加载限制可参照 scikit-learn 模型持久化指南。
数学表达
核心表达
保存模型、依赖版本、特征契约和数据版本；加载后用固定样本验证预测一致。
变量含义
变量定义与本页概念定义一致，代码中的同名变量保持相同语义。
计算步骤
- 1完成最终训练
- 2记录版本与列名
- 3joblib.dump Pipeline
- 4新进程加载
代码对应位置
示例 1保存完整 Pipeline 并验证预测一致：仅对本进程创建的可信临时文件做保存读取，核对整个 Pipeline 的 round-trip，不测试外部模型。
案例：完整 Pipeline 在临时目录往返保存
下方用 Iris 拟合标准化与逻辑回归，保存整个 Pipeline，同时记录特征名和 scikit-learn 版本。加载的只是在同一进程中刚创建的可信临时文件，退出后清理，不读取外部未知产物。
前三行的预测应保持一致，加载对象仍应需要 4 个输入特征。如果只保存末端分类器，新输入就缺少训练时的标准化；即使恰巧没报错，也不再是同一预测流程。这里在全数据拟合只为演示保存，不提供独立性能评价。
计算与实现步骤
- 完成最终训练
- 记录版本与列名
- joblib.dump Pipeline
- 新进程加载
- 验证固定样本
- 检查来源可信
代码实现
示例 1
保存完整 Pipeline 并验证预测一致
example_01.py用途：仅对本进程创建的可信临时文件做保存读取，核对整个 Pipeline 的 round-trip，不测试外部模型。
from pathlib import Path
from tempfile import TemporaryDirectory
import json
import joblib
import numpy as np
import sklearn
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
data = load_iris()
model = make_pipeline(StandardScaler(), LogisticRegression(max_iter=1000))
model.fit(data.data, data.target)
sample = data.data[:3]
with TemporaryDirectory() as temporary:
root = Path(temporary)
joblib.dump(model, root / "model.joblib")
metadata = {"sklearn_version": sklearn.__version__, "features": list(data.feature_names)}
(root / "metadata.json").write_text(json.dumps(metadata), encoding="utf-8")
loaded = joblib.load(root / "model.joblib")
same = np.array_equal(model.predict(sample), loaded.predict(sample))
assert same
print("predictions:", loaded.predict(sample).tolist())
print("same_predictions:", bool(same))
print("features:", loaded.n_features_in_)代码解析
解析始终位于完整代码下方，并按实际代码段逐项对应。
输入数据与任务
仅对本进程创建的可信临时文件做保存读取，核对整个 Pipeline 的 round-trip，不测试外部模型。
model- 组合预处理和估计器的模型对象。
Step 1 · 1–10 行
导入当前步骤需要的数值计算、预处理、模型或评价工具。依赖集中写在代码开头，便于复现。
from pathlib import Path
from tempfile import TemporaryDirectory
import json
import joblib
import numpy as np
import sklearn
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScalerStep 2 · 12–26 行
调用 fit 学习训练数据中的参数；若在 Pipeline 中，预处理器与模型会按顺序拟合。
data = load_iris()
model = make_pipeline(StandardScaler(), LogisticRegression(max_iter=1000))
model.fit(data.data, data.target)
sample = data.data[:3]
with TemporaryDirectory() as temporary:
root = Path(temporary)
joblib.dump(model, root / "model.joblib")
metadata = {"sklearn_version": sklearn.__version__, "features": list(data.feature_names)}
(root / "metadata.json").write_text(json.dumps(metadata), encoding="utf-8")
loaded = joblib.load(root / "model.joblib")
same = np.array_equal(model.predict(sample), loaded.predict(sample))
assert same
print("predictions:", loaded.predict(sample).tolist())
print("same_predictions:", bool(same))
print("features:", loaded.n_features_in_)代码与数学原理
减去训练均值并除以训练标准差，对应代码中的 mean/std 或 StandardScaler。
预期输出或运行结果
本地 scikit-learn 1.8.0 的核对输出： predictions: [0, 0, 0] same_predictions: True features: 4
常见错误 · 4 条
- 不要在测试集上调用 fit 或 fit_transform；测试集只能复用训练参数。
- 只保存末端模型，遗失预处理、列顺序、类别和单位契约。
- 加载不可信的 joblib/pickle 文件，或把校验哈希等同于来源可信。
- 假定跨版本一定兼容，加载后没有固定样本和输出语义检查。
实际应用
- 本地推理
- 模型交付
常见错误
- 只保存末端模型，遗失预处理、列顺序、类别和单位契约。
- 加载不可信的 joblib/pickle 文件，或把校验哈希等同于来源可信。
- 假定跨版本一定兼容，加载后没有固定样本和输出语义检查。
推荐学习资料
参考库不会生成虚假资源或无效外部链接。