Exporterノード

Exporterノードは学習済みモデルをデプロイや後で使用するために様々な形式でディスクに保存します。

概要

プロパティ	値
タイプ	終端ノード
入力	学習済みモデル（Trainerから）
出力	ディスク上のモデルファイル
形式	joblib、pickle、ONNX、CoreML

設定

出力パス

モデルファイルを保存する場所。

~/Desktop/my_model.joblib
/path/to/models/classifier_v1.pkl

ヒント

バージョン番号を含む説明的な名前を使用：churn_model_v2_rf_tuned.joblib

エクスポート形式

joblib（推奨）

最適な用途: Pythonアプリケーション

• NumPy配列に効率的
• 大きなモデルでも小さいファイルサイズ
• 高速な読み込み

import joblib
model = joblib.load("model.joblib")

pickle

最適な用途: Pythonアプリケーション（組み込み）

• 追加依存関係なし
• 標準Python形式
• どこでも動作

import pickle
with open("model.pkl", "rb") as f:
    model = pickle.load(f)

ONNX

最適な用途: クロスプラットフォームデプロイ

• 任意の言語で実行
• 最適化された推論
• GPUアクセラレーション

必要: pip install skl2onnx onnxruntime

import onnxruntime as ort
session = ort.InferenceSession("model.onnx")

CoreML

最適な用途: Appleプラットフォーム（iOS、macOS）

• Apple純正ハードウェアアクセラレーション
• Core MLフレームワークと統合
• ONNX形式への事前エクスポートが必要

必要: pip install skl2onnx coremltools

import coremltools as ct
mlmodel = ct.converters.onnx.convert(model="model.onnx")
mlmodel.save("model.mlmodel")

メタデータを含める

有効時、以下を含む.jsonファイルを一緒に保存：

{
  "model_type": "RandomForestClassifier",
  "sklearn_version": "1.3.0",
  "feature_names": ["sepal_length", "sepal_width", "petal_length", "petal_width"],
  "target_names": ["setosa", "versicolor", "virginica"],
  "n_features": 4,
  "n_classes": 3,
  "training_date": "2024-01-15T10:30:00Z",
  "metrics": {
    "accuracy": 0.967,
    "f1_weighted": 0.965
  },
  "hyperparameters": {
    "n_estimators": 100,
    "max_depth": 10
  }
}

出力ファイル

model.joblibをメタデータ付きでエクスポートした場合：

ファイル	内容
model.joblib	学習済みモデル
model_meta.json	メタデータ（特徴量、メトリクスなど）

エクスポートしたモデルの読み込み

Pythonで

import joblib
import json

# モデルを読み込み
model = joblib.load("model.joblib")

# メタデータを読み込み
with open("model_meta.json") as f:
    meta = json.load(f)

# 入力を検証
expected_features = meta["feature_names"]
print(f"モデルは{len(expected_features)}個の特徴量を期待: {expected_features}")

# 予測を実行
import numpy as np
X_new = np.array([[5.1, 3.5, 1.4, 0.2]])
prediction = model.predict(X_new)
print(f"予測: {meta['target_names'][prediction[0]]}")

Flask APIで

from flask import Flask, request, jsonify
import joblib
import numpy as np

app = Flask(__name__)
model = joblib.load("model.joblib")

@app.route("/predict", methods=["POST"])
def predict():
    data = request.json
    X = np.array(data["features"])
    predictions = model.predict(X)
    return jsonify({"predictions": predictions.tolist()})

if __name__ == "__main__":
    app.run(host="0.0.0.0", port=5000)

モデルバージョニング

モデルバージョン管理のベストプラクティス：

ファイル命名規則

{model_name}_v{version}_{algorithm}_{date}.joblib

例：

• churn_model_v1_rf_2024-01-15.joblib
• churn_model_v2_gb_tuned_2024-01-20.joblib

ディレクトリ構造

models/
├── production/
│   └── churn_model_current.joblib -> ../v2/churn_model.joblib
├── v1/
│   ├── churn_model.joblib
│   └── churn_model_meta.json
└── v2/
    ├── churn_model.joblib
    └── churn_model_meta.json

大きなモデル用のGit LFS

100MBを超えるモデルにはGit LFSを使用：

git lfs install
git lfs track "*.joblib"
git add .gitattributes
git add models/
git commit -m "Add trained model"

よくある問題

「互換性のないsklearnバージョン」

あるscikit-learnバージョンで保存したモデルは、別のバージョンで読み込めない場合があります。

解決策: メタデータのsklearn_versionを確認し、一致するバージョンをインストール：

pip install scikit-learn==1.3.0

モデルファイルが大きすぎる

大きなモデル（特に多くの木を持つRandom Forest）は大きくなります。

解決策：

• n_estimatorsを減らす
• 圧縮を使用：joblib.dump(model, "model.joblib", compress=3)
• より小さいファイル用にONNXにエクスポート

読み込み時に「ModuleNotFoundError」

読み込み環境は学習環境と同じパッケージを持つ必要があります。

解決策: requirements.txtを含める：

scikit-learn==1.3.0
pandas==2.0.0
numpy==1.24.0

セキュリティに関する考慮事項

注意

信頼できないソースからのpickle/joblibファイルは絶対に読み込まないでください。任意のコードを実行できます。

ベストプラクティス：

• 自分が作成または信頼するモデルのみ読み込む
• チェックサムでファイル整合性を確認
• モデルを公開共有する場合はONNXを使用（より安全な形式）

生成されるコード

import joblib
import json
from datetime import datetime

# モデルを保存
joblib.dump(model, "/path/to/model.joblib")

# メタデータを保存
metadata = {
    "model_type": type(model).__name__,
    "feature_names": list(X.columns),
    "training_date": datetime.now().isoformat(),
    "metrics": {
        "accuracy": accuracy,
        "f1_score": f1
    }
}

with open("/path/to/model_meta.json", "w") as f:
    json.dump(metadata, f, indent=2)

print(f"Model saved to /path/to/model.joblib")

関連ノード

• Trainer — エクスポートするモデルを学習
• Evaluator — エクスポート前に評価