| --- |
| license: mit |
| language: |
| - zh |
| --- |
| ## `.pkl` 文件是什么？ |
|
|
| PKL = Pickle，是 Python 的一种序列化格式。 |
|
|
| 简单理解：就是把一个 Python 对象（比如训练好的模型）**"冷冻"保存**到硬盘上， |
| 需要的时候再**"解冻"**加载回来，完全不需要重新训练。 |
|
|
| --- |
|
|
| ## 两个文件分别存了什么？ |
|
|
| ### `bike_availability_model.pkl` |
|
|
| - 存储了训练好的 Random Forest 模型 |
| - 包含所有学习到的决策树、权重等信息 |
| - 加载后可以直接调用 `.predict()` 进行预测 |
|
|
| ### `model_features.pkl` |
| |
| - 存储了特征列表：`['station_id', 'capacity', 'lat', 'lon', 'hour', 'day', 'day_of_week', 'is_weekend', 'avg_temperature', 'avg_humidity', 'avg_pressure']` |
| - 确保预测时特征的**顺序和名称**与训练时完全一致 |
| - 顺序错了预测结果就会出错 |
|
|
| --- |
|
|
| ## 如何在 Flask 中使用？ |
|
|
| ```python |
| import pickle |
| import pandas as pd |
| |
| # 1. 加载模型和特征列表（Flask启动时执行一次） |
| with open('bike_availability_model.pkl', 'rb') as f: |
| model = pickle.load(f) |
| |
| with open('model_features.pkl', 'rb') as f: |
| features = pickle.load(f) |
| |
| # 2. 预测时使用 |
| def predict_bikes(station_id, capacity, lat, lon, |
| hour, day, day_of_week, is_weekend, |
| avg_temperature, avg_humidity, avg_pressure): |
| |
| # 构造输入数据，顺序必须与features一致 |
| input_data = pd.DataFrame([{ |
| 'station_id': station_id, |
| 'capacity': capacity, |
| 'lat': lat, |
| 'lon': lon, |
| 'hour': hour, |
| 'day': day, |
| 'day_of_week': day_of_week, |
| 'is_weekend': is_weekend, |
| 'avg_temperature': avg_temperature, |
| 'avg_humidity': avg_humidity, |
| 'avg_pressure': avg_pressure |
| }])[features] # 用features确保列顺序正确 |
| |
| prediction = model.predict(input_data) |
| return int(round(prediction[0])) |
| ``` |
