我就廢話不多說了，大家還是直接看代碼吧~
補充知識：sklearn中調用某個機器學習模型model.predict(x)和model.predict_proba(x)的區別
model.predict_proba(x)不同于model.predict()，它返回的預測值為獲得所有結果的概率。（有多少個分類結果，每行就有多少個概率，對每個結果都有一個概率值，如0、1兩分類就有兩個概率）
我們直接上代碼，通過具體例子來進一步講解：
python3 代碼實現：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
|
# -*- coding: utf-8 -*-"""Created on Sat Jul 27 21:25:39 2019@author: ZQQ"""from sklearn.linear_model import LogisticRegressionfrom sklearn.ensemble import RandomForestClassifierfrom xgboost import XGBClassifierimport numpy as npimport warningswarnings.filterwarnings("ignore")# 這個方法只是解決了表面，沒有根治# 數據（特征，屬性）x_train = np.array([[1,2,3], [1,5,4], [2,2,2], [4,5,6], [3,5,4], [1,7,2]]) # 數據的標簽y_train = np.array([1, 0, 1, 1, 0, 0]) # 測試數據x_test = np.array([[2,1,2], [3,2,6], [2,6,4]]) # 導入模型model = LogisticRegression() #model = RandomForestClassifier()#model=XGBClassifier()model.fit(x_train, y_train)# 返回預測標簽 print(model.predict(x_test)) print('---------------------------------------')# 返回預測屬于某標簽的概率 print(model.predict_proba(x_test)) |
運行結果：
分析結果：
使用model.predict() :
預測[2,1,2]為1類
預測[3,2,6]為1類
預測[2,6,4]為0類
使用model.predict_proba() :
預測[2,1,2]的標簽是0的概率為0.19442289，1的概率為0.80557711
預測[3,2,6]的標簽是0的概率為0.04163615，1的概率為0.95836385
預測[2,6,4]的標簽是0的概率為0.83059324，1的概率為0.16940676
預測為0類的概率值和預測為1的概率值和為1
同理，如果標簽繼續增加，3類：0，1, 2
預測為0類的概率值：a
預測為1類的概率值：b
預測為2類的概率值：c
預測出來的概率值的和a+b+c=1
注：model.predict_proba()返回所有標簽值可能性概率值，這些值是如何排序的呢？
返回模型中每個類的樣本概率，其中類按類self.classes_進行排序。
通過numpy.unique(label)方法，對label中的所有標簽值進行從小到大的去重排序。
得到一個從小到大唯一值的排序。這也就對應于model.predict_proba()的行返回結果。
以上這篇Python sklearn中的.fit與.predict的用法說明就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持服務器之家。
原文鏈接：https://blog.csdn.net/helloworld0906/article/details/103214002
