Python sklearn中的.fit与.predict的用法说明


Posted in Python onJune 28, 2020

我就废话不多说了,大家还是直接看代码吧~

clf=KMeans(n_clusters=5) #创建分类器对象
fit_clf=clf.fit(X) #用训练器数据拟合分类器模型
clf.predict(X) #也可以给新数据数据对其预测

print(clf.cluster_centers_) #输出5个类的聚类中心

y_pred = clf.fit_predict(X) #用训练器数据X拟合分类器模型并对训练器数据X进行预测

print(y_pred) #输出预测结果

补充知识:sklearn中调用某个机器学习模型model.predict(x)和model.predict_proba(x)的区别

model.predict_proba(x)不同于model.predict(),它返回的预测值为获得所有结果的概率。(有多少个分类结果,每行就有多少个概率,对每个结果都有一个概率值,如0、1两分类就有两个概率)

我们直接上代码,通过具体例子来进一步讲解:

python3 代码实现:

# -*- coding: utf-8 -*-
"""
Created on Sat Jul 27 21:25:39 2019

@author: ZQQ
"""
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier
from xgboost import XGBClassifier
import numpy as np
import warnings
warnings.filterwarnings("ignore")
# 这个方法只是解决了表面,没有根治

# 数据(特征,属性)
x_train = np.array([[1,2,3], 
          [1,5,4], 
          [2,2,2], 
          [4,5,6], 
          [3,5,4], 
          [1,7,2]]) 
# 数据的标签
y_train = np.array([1, 0, 1, 1, 0, 0]) 
 
# 测试数据
x_test = np.array([[2,1,2], 
          [3,2,6], 
          [2,6,4]]) 
 
# 导入模型
model = LogisticRegression() 
 
#model = RandomForestClassifier()

#model=XGBClassifier()

model.fit(x_train, y_train)

# 返回预测标签 
print(model.predict(x_test)) 
 
print('---------------------------------------')

# 返回预测属于某标签的概率 
print(model.predict_proba(x_test))

运行结果:

Python sklearn中的.fit与.predict的用法说明

分析结果:

使用model.predict() :

预测[2,1,2]为1类

预测[3,2,6]为1类

预测[2,6,4]为0类

使用model.predict_proba() :

预测[2,1,2]的标签是0的概率为0.19442289,1的概率为0.80557711

预测[3,2,6]的标签是0的概率为0.04163615,1的概率为0.95836385

预测[2,6,4]的标签是0的概率为0.83059324,1的概率为0.16940676

预测为0类的概率值和预测为1的概率值和为1

同理,如果标签继续增加,3类:0,1, 2

预测为0类的概率值:a

预测为1类的概率值:b

预测为2类的概率值:c

预测出来的概率值的和a+b+c=1

注:model.predict_proba()返回所有标签值可能性概率值,这些值是如何排序的呢?

返回模型中每个类的样本概率,其中类按类self.classes_进行排序。

通过numpy.unique(label)方法,对label中的所有标签值进行从小到大的去重排序。

得到一个从小到大唯一值的排序。这也就对应于model.predict_proba()的行返回结果。

以上这篇Python sklearn中的.fit与.predict的用法说明就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持三水点靠木。

Python 相关文章推荐
python实现简单温度转换的方法
Mar 13 Python
Python对象转JSON字符串的方法
Apr 27 Python
利用Python自带PIL库扩展图片大小给图片加文字描述的方法示例
Aug 08 Python
python微信跳一跳系列之棋子定位像素遍历
Feb 26 Python
python 统计一个列表当中的每一个元素出现了多少次的方法
Nov 14 Python
selenium+python自动化测试之鼠标和键盘事件
Jan 23 Python
用Python实现校园通知更新提醒功能
Nov 23 Python
python GUI库图形界面开发之PyQt5表单布局控件QFormLayout详细使用方法与实例
Mar 06 Python
Python3 中sorted() 函数的用法
Mar 24 Python
使用keras内置的模型进行图片预测实例
Jun 17 Python
谈谈python垃圾回收机制
Sep 27 Python
解决pytorch 保存模型遇到的问题
Mar 03 Python
浅谈sklearn中predict与predict_proba区别
Jun 28 #Python
解决Pytorch自定义层出现多Variable共享内存错误问题
Jun 28 #Python
Pytorch学习之torch用法----比较操作(Comparison Ops)
Jun 28 #Python
PyTorch的torch.cat用法
Jun 28 #Python
使用pytorch 筛选出一定范围的值
Jun 28 #Python
解析python 中/ 和 % 和 //(地板除)
Jun 28 #Python
pytorch 常用函数 max ,eq说明
Jun 28 #Python
You might like
PHP 采集心得技巧
2009/05/15 PHP
应用开发中涉及到的css和php笔记分享
2011/08/02 PHP
浅谈PHP正则表达式中修饰符/i, /is, /s, /isU
2014/10/21 PHP
PHP 接入微信扫码支付总结(总结篇)
2016/11/03 PHP
你的 mixin 真的兼容 ECMAScript 5 吗?
2013/04/11 Javascript
利用jquery包将字符串生成二维码图片
2013/09/12 Javascript
JQuery中使用on方法绑定hover事件实例
2014/12/09 Javascript
Bootstrap每天必学之轮播(Carousel)插件
2016/04/25 Javascript
微信小程序 石头剪刀布实例代码
2017/01/04 Javascript
浅谈js使用in和hasOwnProperty获取对象属性的区别
2017/04/27 Javascript
Textarea输入字数限制实例(兼容iOS&安卓)
2017/07/06 Javascript
vue实现登陆登出的实现示例
2017/09/15 Javascript
JavaScript数据结构与算法之二叉树实现查找最小值、最大值、给定值算法示例
2019/03/01 Javascript
史上最为详细的javascript继承(推荐)
2019/05/18 Javascript
微信小程序实现轨迹回放的示例代码
2019/12/13 Javascript
基础的十进制按位运算总结与在Python中的计算示例
2016/06/28 Python
Python编程判断一个正整数是否为素数的方法
2017/04/14 Python
python中requests爬去网页内容出现乱码问题解决方法介绍
2017/10/25 Python
Python遍历numpy数组的实例
2018/04/04 Python
python画一个玫瑰和一个爱心
2020/08/18 Python
python实现自动化上线脚本的示例
2019/07/01 Python
Django用户认证系统 User对象解析
2019/08/02 Python
Python批量将图片灰度化的实现代码
2020/04/11 Python
Python多线程正确用法实例解析
2020/05/30 Python
Python3中小括号()、中括号[]、花括号{}的区别详解
2020/11/15 Python
Python用摘要算法生成token及检验token的示例代码
2020/12/01 Python
南威尔士家居商店:Leekes
2016/10/25 全球购物
New Balance波兰官方商城:始于1906年,百年慢跑品牌
2017/08/15 全球购物
Hotter Shoes英国官网:英伦风格,舒适的鞋子
2017/12/28 全球购物
GafasWorld西班牙:购买太阳镜、眼镜和隐形眼镜
2019/09/08 全球购物
介绍一下EJB的分类及其各自的功能及应用
2016/08/23 面试题
授权委托书范本
2014/04/03 职场文书
婚礼秀策划方案
2014/05/19 职场文书
部门2014年度工作总结
2014/11/12 职场文书
宿舍卫生管理制度
2015/08/05 职场文书