这篇文章主要介绍了Python sklearn中的.fit与.predict的用法说明，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
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<a style="color:transparent">来源gao($daima.com搞@代@#码(网</a>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：
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gaodaima搞代码网。
以上就是Python sklearn中的.fit与.predict的用法说明的详细内容，更多请关注gaodaima搞代码网其它相关文章！
转载请注明原文链接：Python sklearn中的.fit与.predict的用法说明
