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中 ? : 三元表达式的使用介绍
Oct 09 Python
python写的ARP攻击代码实例
Jun 04 Python
linux 下实现python多版本安装实践
Nov 18 Python
python的paramiko模块实现远程控制和传输示例
Oct 13 Python
pandas.dataframe中根据条件获取元素所在的位置方法(索引)
Jun 07 Python
django ModelForm修改显示缩略图 imagefield类型的实例
Jul 28 Python
Django model 中设置联合约束和联合索引的方法
Aug 06 Python
基于Python2、Python3中reload()的不同用法介绍
Aug 12 Python
浅谈pytorch中的BN层的注意事项
Jun 23 Python
pytorch随机采样操作SubsetRandomSampler()
Jul 07 Python
教你如何用Python实现人脸识别(含源代码)
Jun 23 Python
python实现对doc、txt、xls等文档的读写操作
Apr 02 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加密技术的简单实现
2016/09/04 PHP
php获取指定数量随机字符串的方法
2017/02/06 PHP
php基于PDO实现功能强大的MYSQL封装类实例
2017/02/27 PHP
Laravel框架中自定义模板指令总结
2017/12/17 PHP
PHP实现用session来实现记录用户登陆信息
2018/10/15 PHP
利用javascript/jquery对上传文件格式过滤的方法
2009/07/25 Javascript
javascript之学会吝啬 精简代码
2010/04/25 Javascript
Fastest way to build an HTML string(拼装html字符串的最快方法)
2011/08/20 Javascript
日历查询的算法 如何计算某一天是星期几
2012/12/12 Javascript
Javascript实现多彩雪花从天降散落效果的方法
2015/02/02 Javascript
JavaScript学习笔记之ES6数组方法
2016/03/25 Javascript
AngularJs  E2E Testing 详解
2016/09/02 Javascript
jQuery插件HighCharts绘制的2D堆柱状图效果示例【附demo源码下载】
2017/03/14 Javascript
利用Plupload.js解决大文件上传问题, 带进度条和背景遮罩层
2017/03/15 Javascript
微信小程序实现指定显示行数多余文字去掉用省略号代替
2018/07/25 Javascript
JS实现获取自定义属性data值的方法示例
2018/12/19 Javascript
javascript实现导航栏分页效果
2019/06/27 Javascript
jquery 遍历hash操作示例【基于ajax交互】
2019/10/12 jQuery
用Python代码来绘制彭罗斯点阵的教程
2015/04/03 Python
python爬虫之BeautifulSoup 使用select方法详解
2017/10/23 Python
Python实现的基于优先等级分配糖果问题算法示例
2018/04/25 Python
python实现雨滴下落到地面效果
2018/06/21 Python
详解pycharm连接不上mysql数据库的解决办法
2020/01/10 Python
在python tkinter界面中添加按钮的实例
2020/03/04 Python
Python脚本导出为exe程序的方法
2020/03/25 Python
django中嵌套的try-except实例
2020/05/21 Python
PyTorch之nn.ReLU与F.ReLU的区别介绍
2020/06/27 Python
联想哥伦比亚网上商城:Lenovo Colombia
2017/01/10 全球购物
海外淘书首选:AbeBooks
2017/07/31 全球购物
园林技术个人的自我评价
2014/01/08 职场文书
装修协议书范本
2014/04/21 职场文书
小学班主任培训方案
2014/06/04 职场文书
大学生党员个人对照检查材料范文
2014/09/25 职场文书
2014年英语教师工作总结
2014/12/03 职场文书
学习委员竞选稿
2015/11/20 职场文书
大学学生会主席竞选稿怎么写?
2019/08/19 职场文书