如何提取学习的 ML 模型以实现不同的实现？答案

【问题标题】：How to extract learned ML model for distinct implementation?如何提取学习的 ML 模型以实现不同的实现？
【发布时间】：2018-08-01 10:25:52
【问题描述】：

我是一名电子爱好者，试图使用 ML 对传感器中的错误进行建模，我已经在我的 PC 中使用 Python 中的 scikit-learn 中的 SVM 对传感器数据上的模型进行了训练。

但是过滤数据的用例是非常瞬时的，即传感器数据用于维持四轴飞行器的飞行，原始传感器数据应该至少以 200 Hz 的速率通过学习模型进行过滤，当然我的PC 可以做到，但我不能将我的 PC 放在四轴飞行器上，因此我需要在微型 CPU/微控制器上运行该模型，但是我选择的合适的微控制器不支持 python。

那么我如何获得/提取学习模型的数学本质，换句话说，我如何获得通过训练近似的函数，以便我可以在我选择的任何微控制器中实现它。

只是一个尝试学习的初学者，任何帮助将不胜感激。

【问题讨论】：

您使用的是哪种机器学习算法？
C-支持向量分类。带 RBF 内核
我不是电子霍比特人，我的 arduino 可以运行 pyhton
我们需要实现SVC的决策功能。你在解决分类问题吗？如果是，请尝试逻辑回归，然后很容易导出模型。它只是一个 sigmoid 函数的点积
这是一个类似的问题stackoverflow.com/questions/8360253/…

标签： python python-3.x machine-learning scikit-learn svm

【解决方案1】：

由于计算能力有限，也许一个不错的选择是使用逻辑回归，它很简单，计算成本低，易于重现，它是一个简单的函数，如 y = w0 + w1.x1 + w2.x2 + ... + wn.xn。

要提取函数，您可以使用 scikit-learn LogisticRegression 模型 (http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) 中的以下属性：

属性：coef_：数组，形状（1，n_features）或（n_classes， n_features)

决策函数中特征的系数。

当给定问题是二元问题时，coef_ 的形状为 (1, n_features)。

intercept_：数组、形状 (1,) 或 (n_classes,)

拦截（也称为偏差）添加到决策函数中。

如果 fit_intercept 设置为 False，则截距设置为零。当问题是二进制时，intercept_ 的形状为 (1,)。

如果您仍想使用 SVM，我认为这个类似的问题可能对您有用：How to extract info from scikits.learn classifier to then use in C code

【讨论】：