在Python中，保存训练好的模型有以下几种方法：
使用pickle模块
pickle是Python自带的模块，可以用来序列化和反序列化Python对象，包括机器学习模型。
示例代码：
```python
import pickle
from sklearn.ensemble import RandomForestClassifier
from sklearn import datasets
加载数据集
（X, y） = datasets.load_iris（return_X_y=True）
训练模型
rfc = RandomForestClassifier（n_estimators=100, max_depth=100）
rfc.fit（X, y）
保存模型
with open（'model.pkl', 'wb'） as f:
pickle.dump（rfc, f）
加载模型
with open（'model.pkl', 'rb'） as f:
loaded_model = pickle.load（f）
```
使用joblib模块
joblib是scikit-learn提供的模块，专门用于保存和加载机器学习模型，特别是对于大数据集和复杂模型，joblib比pickle更高效。
示例代码：
```python
from sklearn import svm
from sklearn.externals import joblib
训练模型
clf = svm.SVC（kernel='linear'）
clf.fit（array（trainMat）, array（listClasses））
保存模型
joblib.dump（clf, 'rf.model'）
加载模型
RF = joblib.load（'rf.model'）
```
使用Keras框架
如果你使用Keras训练模型，可以使用Keras的`save_model`方法将模型保存为HDF5文件。
示例代码：
```python
from keras.models import load_model
训练LSTM模型
model = ...
保存模型
model.save（'model.h5'）
加载模型
loaded_model = load_model（'model.h5'）
```
使用TensorFlow框架
如果你使用TensorFlow训练模型，可以使用TensorFlow的`SavedModel`格式保存模型。
示例代码：
```python
import tensorflow as tf
创建并训练模型
model = ...
保存模型
model.save（'saved_model'）
加载模型
loaded_model = tf.keras.models.load_model（'saved_model'）
```
建议
选择合适的保存方法：根据你的模型类型、大小以及使用场景选择合适的保存方法。对于简单的模型，pickle或joblib可能就足够了；对于复杂的模型，尤其是深度学习模型，Keras或TensorFlow的保存方法会更合适。
考虑模型版本：如果你计划长期保存和使用模型，建议将模型和相关的配置文件（如训练数据、超参数等）一起保存，以便将来能够准确地重现模型。