TabularPredictor.clone_for_deployment

TabularPredictor.clone_for_deployment(path: str, *, model: str = 'best', return_clone: bool = False, dirs_exist_ok: bool = False) → str | 'TabularPredictor'[source]

将预测器及其所有工件克隆到本地磁盘上的新位置，然后删除在预测期间不需要的克隆工件。这非常适合在需要保存预测器快照的情况下使用，以便在执行更高级的操作（如fit_extra和refit_full）之前进行操作。

请注意，克隆体不再适合新模型，除了predict和predict_proba之外的大多数功能将不再有效。

与按顺序执行以下操作相同：

predictor_clone = predictor.clone(path=path, return_clone=True, dirs_exist_ok=dirs_exist_ok) predictor_clone.delete_models(models_to_keep=model, dry_run=False) predictor_clone.set_model_best(model=model, save_trainer=True) predictor_clone.save_space()

Parameters:

  • path (str) – 克隆的预测器将保存到的目录路径。

  • model (str, default = 'best') – 在优化的预测器克隆中使用的模型。 所有其他不相关的模型将被删除以节省磁盘空间。 有关可用选项，请参阅 predictor.delete_models 的 models_to_keep 参数。 内部调用 predictor_clone.delete_models(models_to_keep=model, dry_run=False)

  • return_clone (bool, default = False) – 如果为True，返回加载的克隆TabularPredictor对象。 如果为False，返回克隆TabularPredictor对象的本地路径。

  • dirs_exist_ok (bool, default = False) – 如果为True，即使路径目录已经存在，也会克隆预测器，可能会覆盖不相关的文件。 如果为False，当路径目录已经存在时，将引发异常并避免执行复制。

Returns:

  • 如果 return_clone == True，返回加载的克隆 TabularPredictor 对象。

  • 如果 return_clone == False，返回克隆 TabularPredictor 对象的本地路径。