Sklearn Comment faire pour Enregistrer un Modèle Créé à Partir d'un Pipeline et GridSearchCV à l'Aide de Joblib ou Cornichon?

Après l'identification de la meilleure des paramètres à l'aide d'un pipeline et GridSearchCV, comment puis-je pickle/joblib ce processus de ré-utiliser plus tard? Je vois comment le faire quand c'est un seul classifieur...

from sklearn.externals import joblib
joblib.dump(clf, 'filename.pkl') 

Mais comment puis-je enregistrer ce pipeline avec les meilleurs paramètres après l'exécution et l'achèvement d'une gridsearch?

J'ai essayé:

• joblib.dump(grid, 'output.pkl') - Mais qui sous-évaluées chaque gridsearch
  tentative (plusieurs fichiers)
• joblib.dump(pipeline, 'output.pkl') - Mais Je
  ne pense pas que contient le meilleur des paramètres

---

X_train = df['Keyword']
y_train = df['Ad Group']

pipeline = Pipeline([
  ('tfidf', TfidfVectorizer()),
  ('sgd', SGDClassifier())
  ])

parameters = {'tfidf__ngram_range': [(1, 1), (1, 2)],
              'tfidf__use_idf': (True, False),
              'tfidf__max_df': [0.25, 0.5, 0.75, 1.0],
              'tfidf__max_features': [10, 50, 100, 250, 500, 1000, None],
              'tfidf__stop_words': ('english', None),
              'tfidf__smooth_idf': (True, False),
              'tfidf__norm': ('l1', 'l2', None),
              }

grid = GridSearchCV(pipeline, parameters, cv=2, verbose=1)
grid.fit(X_train, y_train)

#These were the best combination of tuning parameters discovered
##best_params = {'tfidf__max_features': None, 'tfidf__use_idf': False,
##               'tfidf__smooth_idf': False, 'tfidf__ngram_range': (1, 2),
##               'tfidf__max_df': 1.0, 'tfidf__stop_words': 'english',
##               'tfidf__norm': 'l2'}

OriginalL'auteur Jarad | 2015-12-07