机器学习实战：基于Scikit-Learn、Keras 和TensorFlow （原书第2 版）

82

｜

第

2

章

你一定不要继续调整超参数，不要试图再努力让测试集的结果变得好看一些，因为这些

改进在泛化到新的数据集时又会变成无用功。

现在进入项目预启动阶段：你将要展示你的解决方案（强调学习了什么，什么有用，什

么没有用，基于什么假设，以及系统的限制有哪些），记录所有事情，通过清晰的可视化

和易于记忆的陈述方式制作漂亮的演示文稿（例如，“收入中位数是预测房价的首要指

标”）。在这个加州住房的示例里，系统的最终性能并不比专家估算的效果好，通常会下

降 20% 左右，但这仍然是一个不错的选择，因为这为专家腾出了一些时间以便他们可以

投入更有趣和更有生产力的任务上。

2.8 启动、监控和维护你的系统

很好，你已获准启动生产环境！现在，你需要准备好解决方案以进行上线（例如，完善

代码、编写文档和测试等）。然后你可以将模型部署到生产环境中。一种方法是保存训

练好的 Scikit-Learn 模型（使用 joblib），包括完整的预处理和预测流水线，然后在你

的生产环境中加载经过训练的模型并通过调用 prepare() 方法来进行预测。例如，也

许该模型在网站内使用：用户将输入有关新地区的一些数据，然后单击估算价格按钮。

这将发送一个查询，其中包含数据发送到 Web 服务器，然后将其转发到 Web 应用程序，

最后，你的代码调用模型的 predict() 方法（在服务器启动时加载模型，而不是每

次使用模型时都加载模型）。或者，你可以将模型包装在 Web 应用程序中，使用专用的

Web 服务，通过 REST API 来进行查询 ...