需求：

一直写的代码都是从加载数据，模型训练，模型预测，模型评估走出来的，但是实际业务线上咱们肯定不能每次都来训练模型，而是应该将训练好的模型保存下来

，如果有新数据直接套用模型就行了吧？现在问题就是怎么在实际业务中保存模型，不至于每次都来训练，在预测。

解决方案：

机器学习-训练模型的保存与恢复（sklearn）
python /模型持久化 /模型保存 /joblib /模型恢复
在做模型训练的时候，尤其是在训练集上做交叉验证，通常想要将模型保存下来，
然后放到独立的测试集上测试，下面介绍的是Python的sklearn中训练模型的保存和再使用。

scikit-learn已经有了模型持久化的操作，导入joblib即可

from sklearn.externals import joblib

模型保存

>>> os.chdir("D：//model_save")
>>> from sklearn import svm
>>> X = [[0, 0], [1, 1]]
>>> y = [0, 1]
>>> clf = svm.SVC()
>>> clf.fit(X, y)
>>> clf.fit(train_X,train_y)
>>> joblib.dump(clf, "train_model.m")

通过joblib的dump可以将模型保存到本地，clf是训练的分类器

模型从本地调回

>>> clf = joblib.load("train_model.m")

通过joblib的load方法，加载保存的模型。

然后就可以在测试集上测试了

clf.predit(test_X) #此处test_X为特征集