import pickle
model_filename = 'knn_model.pkl'
# 加载模型
with open(model_filename, 'rb') as file:
model = pickle.load(file)
# 查看模型的属性和方法
print(dir(model))
'''
['__abstractmethods__', '__class__', '__delattr__', '__dict__',
'__dir__', '__doc__', '__eq__', '__format__', '__ge__', '__getattribute__',
'__getstate__', '__gt__', '__hash__', '__init__', '__init_subclass__', '__le__',
'__lt__', '__module__', '__ne__', '__new__', '__reduce__', '__reduce_ex__',
'__repr__', '__setattr__', '__setstate__', '__sizeof__', '__str__', '__subclasshook__',
'__weakref__', '_abc_impl', '_check_algorithm_metric', '_check_feature_names',
'_check_n_features', '_estimator_type', '_fit', '_fit_X', '_fit_method', '_get_param_names', '_get_tags', '_kneighbors_reduce_func', '_more_tags', '_pairwise', '_repr_html_', '_repr_html_inner', '_repr_mimebundle_', '_tree', '_validate_data', '_y', 'algorithm', 'classes_', 'effective_metric_', 'effective_metric_params_', 'fit', 'get_params', 'kneighbors', 'kneighbors_graph', 'leaf_size', 'metric', 'metric_params', 'n_features_in_', 'n_jobs', 'n_neighbors', 'n_samples_fit_', 'outputs_2d_', 'p', 'predict', 'predict_proba', 'radius', 'score', 'set_params', 'weights']
'''
当你执行代码查看.pkl文件中的内容时，返回的这些信息是Python对象的属性和方法的列表。这些信息可以帮助你了解这个序列化对象的结构和功能。以下是一些关键点的解释：
魔术方法（如
__init__,__str__,__repr__等）：这些是Python中的内置方法，用于定义对象的行为。例如：__init__: 构造函数，用于初始化对象。__str__: 当你打印对象时调用的方法，返回对象的字符串表示。__repr__: 返回对象的官方字符串表示，通常用于调试。
特殊属性（如
__dict__,__module__等）：这些属性包含对象的元数据。__dict__: 存储对象属性的字典。__module__: 包含定义对象的模块的名称。
抽象基类方法（如
__abstractmethods__）：这表明对象可能是从抽象基类继承的，其中一些方法需要在子类中实现。模型特定的方法和属性：
fit: 训练模型的方法。predict: 预测新数据的方法。predict_proba: 返回每个类别的预测概率。score: 返回模型在给定数据集上的分数。set_params: 设置模型参数的方法。get_params: 获取模型参数的方法。
模型参数：
algorithm: 用于搜索最近邻的算法。metric: 用于度量距离的函数。n_neighbors: 邻居的数量。weights: 权重函数。
内部状态：
n_features_in_: 训练数据的特征数量。n_samples_fit_: 训练数据的样本数量。classes_: 训练数据中的类别标签。
辅助方法：
_check_algorithm_metric: 检查算法和度量方法是否兼容。_check_feature_names: 检查特征名称是否一致。_check_n_features: 检查特征数量是否匹配。
其他：
kneighbors: 用于查找最近邻的方法。kneighbors_graph: 返回一个图，表示样本之间的距离。
这些信息表明你加载的是一个机器学习模型，可能是一个K-最近邻（KNN）分类器。你可以通过调用这些方法和属性来了解模型的行为和状态，例如：
- 使用
model.fit(X_train, y_train)来训练模型。 - 使用
model.predict(X_test)来进行预测。 - 使用
model.score(X_test, y_test)来评估模型的性能。
