在数据科学领域，探索数据、预处理（可能需要创建额外的特征）以及将数据输入模型是常见的工作流程。在这种情况下，即使使用的是最简单的线性回归模型（多变量），由于所有输入特征和参数的原因，模型可能会变得非常大，反复重新训练模型将非常耗时。因此，最简单的解决方案是保存模型，以便在以后的时间进行推理或预测。虽然Keras模型API提供了保存深度学习模型的功能，但对于大多数初学者来说，在机器学习中保存模型可能会感到困惑。此外，由于估计器具有大量的参数，保存它们是非常明智的。
将使用一个房价预测数据集，该数据集具有单一特征区域（为了演示目的）。工作是预测给定区域的价格。为了保持简单，将只有4-5个数据点，将使用的模型将是线性回归模型，该模型仅适合数据集并计算所有数据点预测差异的实际差异的平方。
将快速创建模型文件，将保存以供以后使用。以下是将要保存的5个步骤。
首先，将加载所有必需的依赖项。
import pandas as pd
import numpy as np
from sklearn import linear_model
现在，将使用pd.read_csv()函数将数据加载到pandas dataframe（train_df）中，并使用df.head()方法打印前5行。
train_df = pd.read_csv('train.csv')
print(train_df.head())
创建模型对象，实际上将是一个LinearRegression分类器，然后使用训练样本和训练标签拟合模型，模型的工作是找到最佳直线拟合。
model = linear_model.LinearRegression()
model.fit(train_df[['area']], train_df.price)
正如知道的，直线有一个系数和一个截距在方程中，所以应该检查这些值，因为sklearn提供了一些方便的属性。这些可以这样检查：
model.coef_
model.intercept_
最后，为了完整性，可以测试模型预测5000平方英尺房屋的价格。
model.predict([[5000]])
现在是保存创建的模型的时候了。将查看保存模型的2个快速技巧。此外，还将提供使用哪种方法的指导。
许多人可能熟悉pickle模块，如果不是，了解pickle模块允许使用反序列化来pickle文件是很好的，这意味着简单地将对象分解为其组成组件。例如，模型文件的属性就像之前看到的那样。
要使用pickle保存文件，需要打开一个文件，在某个别名下加载它，并转储模型的所有信息。这可以使用以下代码实现：
import pickle
with open('model_pkl', 'wb') as files:
pickle.dump(model, files)
上述步骤之后，可以在目录中看到一个名为model_pkl的文件，打开它将显示如下内容：
Joblib是模型保存的替代方案，它可以在具有大量NumPy数组/数据的后端上操作，具有许多参数。它可以作为单独的模块使用（参考此处）或使用Sci-Kit Learn库。为了简单起见，将使用第二种方法。
首先，将从sklearn的外部类导入joblib。
from sklearn.externals import joblib
joblib.dump(model, 'model_jlib')