1.建立一个scikit-learn线性模型
用sublime或者其他编辑器建立一个python脚本。利用numpy框架建立一个随机数集。
import numpy as np
x_values = np.linspace(-2.25,2.25,300)
y_values = np.array([np.sin(x) + np.random.randn()*.25 for x in x_values])
然后利用线性回归模型来训练模型。
from sklearn.linear_model import LinearRegression
lm = LinearRegression().fit(x_values.reshape(-1,1), y_values)
2.转化成CoreML模型
Core ML除了支持线性模型外，还支持许多机器学习模型，比如神经网络模型，基于树的模型等。Core ML模型的格式是以.mlmodel 结尾。首先进行模型转换，然后导入作者信息，还有其他元数据等，最后保存转换后的模型。
from coremltools.converters import sklearn
coreml_model = sklearn.convert(lm)
coreml_model.author = "WJ"
print(coreml_model.author)
coreml_model.short_description = "I approximate a sine curve with a linear model!"
coreml_model.input_description["input"] = "a real number"
coreml_model.output_description["prediction"] = "a real number"
print(coreml_model.short_description)
coreml_model.save('linear_model.mlmodel')
3.使用CoreML进行预测
新建一个xcode工程，直接拖入刚才训练好的linear_model.mlmodel。点击这个模型，可以看到一些模型信息。
image.png然后点开Model Class中的箭头，可以看到模型暴露的方法。linear_modelInput和linear_modelOutput类一个表示输入类，一个表示输出类。linear_model是一个用来预测的类。
image.png然后拖入一个输入的textfield和输出的textfield用来显示，再监听输入的值，来预测输出的值。
image.png