SKLearn 使用新数据进行预测答案

【问题标题】：SKLearn Predicting using new DataSKLearn 使用新数据进行预测
【发布时间】：2018-10-15 07:34:55
【问题描述】：

我已经使用 SKLearn 尝试了线性回归。我的数据类似于：卡路里摄入量 |重量。

150 | 150

300 | 190

350 | 200

基本上是由数字组成，但我已将数据集拟合到线性回归模型中。

我感到困惑的是，我将如何使用新数据进行预测，比如我获得了 10 个新摄入的卡路里数，并且我希望它来预测体重？

regressor = LinearRegression()
regressor.fit(x_train, y_train)
y_pred = regressor.predict(x_test) ??

但我将如何只制作我的 10 个新数据卡路里摄入量，并使其成为我希望回归器预测的 测试集？

【问题讨论】：

你的问题不是很清楚，是在生成数字还是做数组的时候一头雾水？
不。我对如何让我的模型使用 10 个新的卡路里摄入量来预测体重感到困惑。

标签： python machine-learning scikit-learn

【解决方案1】：

您是对的，您只需调用模型的predict 方法并传入新的看不见的数据进行预测。现在它还取决于new data 的含义。您是否引用了您不知道其结果的数据（即您不知道权重值），或者这些数据是否用于测试您的模型的性能？

对于新数据（预测）：

你的方法是正确的。您只需打印y_pred 变量即可访问所有预测。

您知道各自的权重值并且想要评估模型：

确保您有两个独立的数据集：x_test（包含特征）和 y_test（包含标签）。像使用 y_pred 变量一样生成预测，然后您可以使用许多性能指标来计算其性能。最常见的一种是均方根，您只需将y_test 和y_pred 作为参数传递。这是 sklearn 提供的所有regression performance metrics 的列表。

如果不知道这10个新数据点的权重值：

使用train_test_split 将您的初始数据集分成两部分：training 和testing。您将拥有 4 个数据集：x_train、y_train、x_test、y_test。

from sklearn.model_selection import train_test_split
# random state can be any number (to ensure same split), and test_size indicates a 25% cut
x_train, y_train, x_test, y_test = train_test_split(calories_eaten, weight, test_size = 0.25, random_state = 42)

通过拟合 x_train 和 y_train 来训练模型。然后通过预测x_test 并将这些predictions 与y_test 的实际结果进行比较来评估模型的训练性能。这样您就可以了解模型的性能。此外，您还可以相应地预测10 新数据点的weight values。

作为初学者，也值得进一步阅读该主题。 This 是一个简单的教程。

【讨论】：

我知道权重值。但是我怎样才能使 10 个新数据点 x_test？我让它读取不同的 csv 文件吗？
如果您知道 10 个新数据点的权重值，只需将标签作为性能指标评估的一部分传递。否则，如果您不知道这 10 个新点的权重，那么除了使用性能指标来指导您信任模型的预测之外，您无能为力。请参阅编辑后的答案。
@David，为您的精彩回答点赞。我知道写一个正确而冗长的答案时的感觉，没有人支持它，以表彰它投入的时间和精力。

【解决方案2】：

我感到困惑的是，我将如何使用新的进行预测数据，假设我有 10 个新的卡路里摄入量，我希望它预测体重？

是的，Calories Eaten 代表自变量，Weight 代表dependent 变量。

将数据拆分为训练集和测试集后，下一步是使用 X_train 和 y_train 数据拟合回归量。

模型训练完成后，您可以预测X_test 方法的结果，因此我们得到了y_pred。

现在您可以将y_pred（预测数据）与真实数据y_test 进行比较。

您还可以对创建的线性模型使用score 方法，以获得模型的性能。

score 使用R^2(R 平方) 度量或Coefficient of determination. 计算

score = regressor.score(x_test, y_test)

要拆分数据，您可以使用train_test_split 方法。

from sklearn.model_selection import train_test_split
X_train, y_train, X_test, y_test = train_test_split(eaten, weight, test_size = 0.2, random_state = 0)

【讨论】：

谢谢。我也对如何制作 10 个新数据点 x_test 感到困惑？我是否通过读取不同的 csv 文件来调用它？但是代码会如何预测呢？
@GuiltyVeek，已经有一个内置的方法。看看更新的答案。您只需要指定吃的和重量数组并指定测试大小百分比。如果您有100 行并将test_size 设置为0.2，这意味着您将拥有80entries 用于训练和20 用于测试您创建的模型。
但是如果我只想使用不是来自原始数据集的 10 个新数据点来预测权重值呢？
然后你可以从原始数据集中生成10个随机点，其值在最小值和最大值之间。
@MihaiAlexandru-Ionut 是的，老实说，我认为这是 OP 造成混乱的主要来源。您的（非常好的）答案可能超出了需要！

【解决方案3】：

您必须在 sklearn 中使用 model_selection 选择模型，然后训练并拟合数据集。

from sklearn.model_selection import train_test_split
X_train, y_train, X_test, y_test = train_test_split(eaten, weight)

regressor.fit(X_train, y_train)
y_pred = regressor.predict(X_test)

【讨论】：