本系列以sklearn的svm演算法為例，對葡萄酒質量預測，也可換用其它方法，比如隨機森林，因為sklearn的機器學習演算法呼叫形式基本差不多，可以自行舉一反三。 現在，我們來把訓練的模型儲存，然後，需要的時候，直接將資料送入模型 ，無需再訓練，先來看模型 儲存與讀入（模型持久化） 模型的永續性 在訓練了一個scikit-learn模型之後，最好有一種方法來儲存模型以供將來使用，而無需重新培訓。下一節將給出一個示例，說明如何使用pickle持久化模型。在處理pickle序列化時，我們還將回顧一些安全性和可維護性問題。

>>> from sklearn import svm
>>
 
> from sklearn import datasets
>>> clf = svm.SVC(gamma='scale')
>>> iris = datasets.load_iris()
>>> X, y = iris.data, iris.target
>>> clf.fit(X, y)  
SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,
    decision_function_shape='ovr', degree=3, gamma='scale', kernel=
 
'rbf',
    max_iter=-1, probability=False, random_state=None, shrinking=True,
    tol=0.001, verbose=False)

>>> import pickle
>>> s = pickle.dumps(clf)
>>> clf2 = pickle.loads(s)
>>> clf2.predict(X[0:1])
array([0])
>>> y[0]
0

在特定的scikitlearn中，使用joblib替換pickle 可能會更好。(dump & joblib.load)，這對於內部攜帶大型numpy陣列的物件更有效，這通常是適合的scikit-learn估計器的情況，但只能pickle到磁碟，而不是字串:

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

稍後，您可以使用以下工具返回pickle模型(可能是在另一個Python程序中):

>>> clf = joblib.load('filename.joblib') 

joblib.dump和 joblib.load函式也接受類似檔案物件，而不是檔名。 由於模型內部表示在兩個不同的體系結構上可能不同，所以不支援在一個體繫結構上轉儲模型，並將其載入到另一個體繫結構上。