save_model#

save_model(sktime_model, path, conda_env=None, code_paths=None, mlflow_model=None, signature=None, input_example=None, pip_requirements=None, extra_pip_requirements=None, serialization_format='pickle')[source]#

将 sktime 模型保存到本地文件系统上的路径。

参数:
sktime_model

拟合好的 sktime 模型对象。

pathstr

模型要保存到的本地路径。

conda_envUnion[dict, str], 可选 (默认值=None)

Conda 环境的字典表示或 conda 环境 yaml 文件路径。

code_pathsarray-like, 可选 (默认值=None)

Python 文件依赖项（或包含文件依赖项的目录）的本地文件系统路径列表。加载模型时，这些文件会被添加到系统路径的开头。

mlflow_model: mlflow.models.Model, 可选 (默认值=None)

mlflow.models.Model 配置，用于添加 python_function flavor。

signaturemlflow.models.signature.ModelSignature, 可选 (默认值=None)

模型签名 mlflow.models.ModelSignature 描述了模型输入和输出 Schema。模型签名可以从具有有效模型输入（例如，省略目标列的训练数据集）和有效模型输出（例如，在训练数据集上生成的模型预测）的数据集中推断出来，例如

from mlflow.models.signature import infer_signature
train = df.drop_column("target_label")
predictions = ... # compute model predictions
signature = infer_signature(train, predictions)

警告

如果使用 sktime 模型进行概率预测（predict_interval, predict_quantiles），由于使用这些方法时 Pandas MultiIndex 列类型的原因，返回的预测对象上的签名将无法正确推断。infer_schema 在使用模型的 pyfunc flavor 时会正常工作。

input_exampleUnion[pandas.core.frame.DataFrame, numpy.ndarray, dict, list, csr_matrix, csc_matrix], 可选
(默认值=None)

输入示例提供了一个或多个有效模型输入的实例。该示例可以作为向模型馈送何种数据的提示。给定的示例将被转换为 Pandas DataFrame，然后使用 Pandas 面向拆分的格式序列化为 json。字节进行 base64 编码。

pip_requirementsUnion[Iterable, str], 可选 (默认值=None)

pip 需求字符串的可迭代对象（例如 [“sktime”, “-r requirements.txt”, “-c constraints.txt”]）或本地文件系统上 pip 需求文件的字符串路径（例如 “requirements.txt”）

extra_pip_requirementsUnion[Iterable, str], 可选 (默认值=None)

pip 需求字符串的可迭代对象（例如 [“pandas”, “-r requirements.txt”, “-c constraints.txt”]）或本地文件系统上 pip 需求文件的字符串路径（例如 “requirements.txt”）

serialization_formatstr, 可选 (默认值=”pickle”)

序列化模型的格式。应为“pickle”或“cloudpickle”格式之一

参考

[1]

https://www.mlflow.org/docs/latest/python_api/mlflow.models.html#mlflow.models.Model.save

示例

>>> from sktime.datasets import load_airline  
>>> from sktime.forecasting.arima import ARIMA  
>>> from sktime.utils import mlflow_sktime  
>>> y = load_airline()  
>>> forecaster = ARIMA(  
...     order=(1, 1, 0),
...     seasonal_order=(0, 1, 0, 12),
...     suppress_warnings=True)
>>> forecaster.fit(y)  
ARIMA(...)
>>> model_path = "model"  
>>> mlflow_sktime.save_model(  
...     sktime_model=forecaster,
...     path=model_path)  
>>> loaded_model = mlflow_sktime.load_model(model_uri=model_path)  
>>> loaded_model.predict(fh=[1, 2, 3])
在本页上