方案1- 输出模型参数重建模型

  ①首先获得模型参数

    if return_coef:
        # 返回映射函数和系数
        return model, {
            'coef_x': model_x.coef_.tolist(),
            'intercept_x': model_x.intercept_.tolist(),
            'coef_y': model_y.coef_.tolist(),
            'intercept_y': model_y.intercept_.tolist(),
            'degree': 3,
            # 'n_features': source_data.shape[1]  # 输入特征维度
        }
    else:
        # 只返回映射函数
        return model

②模型重建与预测

  这里的输入数据维度为(11,9,2) 或者（9,11,2）.

  在真实预测时，需要转为2维的(99,2)的维度，因此，单个样本的维度为(1,2).

    def rebuild_model(params):
        """从参数重建完全一致的模型"""
        # 重建多项式转换器
        poly = PolynomialFeatures(degree=params['degree'])
        # 关键步骤：用正确维度的数据fit多项式转换器
        dummy_data = np.zeros((1, 2)) # 这里是单个样本的维度，用以假fit
        poly.fit(dummy_data)  # 这行确保多项式转换器状态与原始一致

        # 重建线性回归模型
        model_x = LinearRegression()
        model_x.coef_ = np.array(params['coef_x'])
        model_x.intercept_ = np.array(params['intercept_x'])

        model_y = LinearRegression()
        model_y.coef_ = np.array(params['coef_y'])
        model_y.intercept_ = np.array(params['intercept_y'])

        return poly, model_x, model_y

    rebuilt_poly, rebuilt_model_x, rebuilt_model_y = rebuild_model(model_coef)
    # 定义预测函数
    def predict_with_rebuilt_model(poly, model_x, model_y, source_data):
        """使用重建的模型进行预测"""
        source_data=np.array(source_data) #　将数据转为np.arrar
        origin_shape = source_data.shape  # 获得输入数据的维度
        source_data = source_data.reshape((-1, 2)) #将 source_data 重新整形为二维数组，其中每行有2个特征，行数自动计算  原来是三维数组么
        # 分别预测x和y坐标
        pred_x = model_x.predict(poly.transform(source_data))
        pred_y = model_y.predict(poly.transform(source_data))
        return np.column_stack((pred_x, pred_y)).reshape(origin_shape)

    xy_camera_reconstruction = predict_with_rebuilt_model(rebuilt_poly,rebuilt_model_x,rebuilt_model_y,xy_module_lattice)
    print(xy_camera_reconstruction-xy_camera)

方案2- 直接保存模型再读取预测

​​​​​​​   ①预测函数定义同上方案1

    import joblib
    def save_model_complete(poly, model_x, model_y, filepath):
        """保存完整的模型对象"""
        model_objects = {
            'poly': poly,
            'model_x': model_x,
            'model_y': model_y
        }
        joblib.dump(model_objects, filepath)
    save_model_complete(rebuilt_poly, rebuilt_model_x, rebuilt_model_y, 'model.joblib')
    # 加载模型
    def load_model_complete(filepath):
        """加载完整的模型对象"""
        model_objects = joblib.load(filepath)
        return model_objects['poly'], model_objects['model_x'], model_objects['model_y']
    loaded_poly, loaded_model_x, loaded_model_y = load_model_complete('model.joblib')
    xy_camera_reconstruction2 = predict_with_rebuilt_model(loaded_poly,loaded_model_x,loaded_model_y,xy_module_lattice)
    print(xy_camera_reconstruction2-xy_camera)