scikit-learn 模型怎么保存和加载？用 joblib 保留预处理并核对预测

训练完分类器后，如果只保存最后一个模型、遗漏标准化，新环境收到原始特征时可能输出不同结果。对于可信的本地 scikit-learn 流程，可用 joblib 保存整个 Pipeline，同时保存输入列顺序和依赖版本，再用同一批测试样本核对加载前后的标签与概率。

先确认文件来源与运行环境

joblib.load 基于 pickle，加载时可能执行任意 Python 代码。这里只加载本程序刚生成的文件；不要把网上下载、他人邮件或来源无法确认的模型直接加载。后缀、文件能打开、甚至陌生人给出的哈希一致，都不能证明文件安全。

本例用内置 Iris 教学数据及 StandardScaler + LogisticRegression，不包含自定义类。跨 scikit-learn 版本加载不受支持，因此保留训练时 Python、scikit-learn、NumPy、SciPy 与 joblib 版本，并复建同样依赖环境。虚拟环境里的文件不包含真实客户数据。

保存流程、元数据并核对

以下示例在 Python 3.11、scikit-learn 1.7.2 的独立环境运行通过。先在练习目录创建虚拟环境并安装对应版本：

python -m venv .venv
# Windows PowerShell
.\.venv\Scripts\python.exe -m pip install "scikit-learn==1.7.2"
# 以下脚本统一用该环境的 Python 运行，例如：
.\.venv\Scripts\python.exe demo.py

import json, platform, hashlib
from pathlib import Path
import numpy as np
import scipy, sklearn, joblib
from sklearn.datasets import load_iris
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split

X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.25, stratify=y, random_state=42)
model = make_pipeline(StandardScaler(), LogisticRegression(max_iter=1000))
model.fit(X_train,y_train)
before = model.predict(X_test)
artifact = Path("iris_pipeline.joblib")
joblib.dump(model, artifact)
versions = {"python":platform.python_version(),"scikit_learn":sklearn.__version__,
            "numpy":np.__version__,"scipy":scipy.__version__,"joblib":joblib.__version__}
metadata = {"versions":versions, "input_feature_order":load_iris().feature_names,
            "data":"sklearn.datasets.load_iris", "split_random_state":42,
            "sha256":hashlib.sha256(artifact.read_bytes()).hexdigest()}
Path("iris_pipeline.json").write_text(json.dumps(metadata,ensure_ascii=False,indent=2),encoding="utf-8")

# 只加载本程序刚生成的可信文件。哈希一致并不能证明陌生文件安全。
loaded = joblib.load(artifact)
after = loaded.predict(X_test)
assert np.array_equal(before,after)
assert np.allclose(model.predict_proba(X_test), loaded.predict_proba(X_test))
assert np.allclose(model[0].mean_,loaded[0].mean_)
print("版本", versions)
print("测试样本数", len(X_test), "标签完全一致", np.array_equal(before,after))
print("特征顺序", metadata["input_feature_order"])

当前环境输出：

版本 {'python': '3.11.15', 'scikit_learn': '1.7.2', 'numpy': '2.4.6', 'scipy': '1.17.1', 'joblib': '1.6.0'}
测试样本数 38 标签完全一致 True
特征顺序 ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']

运行目录会出现 iris_pipeline.joblib 和 iris_pipeline.json。前者包含已拟合的标准化器与分类器，后者记录版本、特征顺序、数据来源、切分随机种子和文件摘要。38 条测试样本在加载前后标签完全一致，概率通过 allclose 比较，预处理均值也相同；这些断言验证本次本地往返保存。

把保存结果迁移到你的项目

替换为真实训练代码后，把预处理、缺失处理和最终估计器放在同一个流程；元数据增加不可变数据快照地址、代码提交、标签定义和验证结果。预测时严格使用记录的列顺序、单位和类型。数组仅按位置解释特征，列顺序错了仍可能运行成功，所以必须在输入边界检查。

重新打开可信文件前，先核对元数据和依赖；迁移到另一台电脑还要复查路径、可访问的自定义模块以及相同输入输出。文件哈希适合检查传输是否改变，不是建立文件来源可信度的方法。压缩与存储策略可按 joblib.dump 参数另行选择，本例使用默认保存。

常见失败如何处理

FileNotFoundError 先查当前目录和实际文件路径；InconsistentVersionWarning 先恢复训练依赖，不要靠忽略警告宣称兼容；ModuleNotFoundError 检查训练时自定义类所在模块。只有分类器而没有标准化器时，返回原训练代码重新导出完整流程，不能从新预测样本重新估计训练均值。

本例没有验证长期归档、跨版本兼容或线上服务性能，也不保存训练的全部原始数据。需要跨语言推理或其他部署格式时，应另行评估合适的格式与一致性检查。

相关问答与依据

能把这个文件当作数据备份吗？不能。它保存模型与已拟合预处理参数，不等于原训练集的完整备份。数据应按自己的版本与恢复流程保存。

预测一致是否说明模型准确？只说明加载没有改变这批输入的结果。业务准确性仍需要独立、可信、具有代表性的真值数据。

依据：模型持久化官方指南说明格式取舍、依赖与跨版本限制；joblib.dump 文档说明保存接口；joblib.load 文档说明加载接口与不可信文件风险。