进行预测

您已成功训练了您的机器学习 (machine learning)模型！它从训练数据中学到了模式。但衡量一个模型真正的标准，并非它对训练数据的熟悉程度；而是它在新数据、未见过的数据上的表现如何。这时就需要进行预测。毕竟，构建模型的目的通常是将其应用于结果未知的未来情况。

使用已训练的模型进行预测

模型一旦训练完成（在像 Scikit-learn 这样的库中通常使用 fit() 方法），它就会在内部存储学到的模式（作为参数 (parameter)）。为了得到预测结果，您通常会使用一个名为 predict() 的方法。这个方法接受新的输入数据（只有特征，没有标签），并使用学到的模式生成一个输出，即模型对每个输入样本的预测。

假设您训练了一个线性回归模型，根据房屋面积预测房价。训练过程会通过您的训练数据点找到最佳直线（由斜率和截距定义）。现在，如果您有一栋已知面积（但未知价格）的新房，您可以将这个面积输入到已训练模型的 predict() 方法中。模型将使用其学到的直线方程（$y = mx + b$）来计算该面积（$x$）对应的预测价格（$y$）。

准备输入数据

一个非常重要的地方：您提供给 predict() 方法的新数据必须具有与模型训练数据完全相同的结构和预处理方式。这意味着：

1. 相同特征： 它必须包含模型所预期的相同特征（列）。
2. 相同顺序： 特征必须以相同的顺序排列。
3. 相同预处理： 如果您对训练特征进行了缩放（例如，使用标准化或归一化 (normalization)）或对分类特征进行了编码（例如，使用独热编码），您必须在进行预测之前对新数据应用完全相同的转换。请使用在训练数据上拟合的相同缩放器或编码器对象。

未能正确准备输入数据是错误和荒谬预测的常见原因。模型只理解它从中学到的数据格式。

使用 Scikit-learn 进行预测

假设您有一个名为 model 的已训练模型对象（它可以是 LinearRegression、LogisticRegression、KNeighborsClassifier 等），并且您的新数据、未见过的数据（仅特征）存储在一个名为 X_new 的变量中。这个 X_new 应该格式正确（例如，一个带有正确列和缩放的 NumPy 数组或 pandas DataFrame）。

进行预测通常很简单：

# 假设 'model' 是您已训练的 Scikit-learn 模型
# 假设 'X_new' 是您的新数据，已正确预处理

predictions = model.predict(X_new)

# 打印预测结果
print(predictions)

predictions 变量现在将保存模型对 X_new 中每个样本的输出。

理解输出

predictions 中的值类型取决于您的模型所训练的问题类型：

• 回归： 如果 model 是一个回归模型（例如 LinearRegression），predictions 将包含连续的数值。例如，[250000.50, 180000.75, 310000.00] 可能是预测的房价。
• 分类： 如果 model 是一个分类模型（例如 LogisticRegression 或 KNeighborsClassifier），predictions 将包含预测的类别标签。例如，['spam', 'not spam', 'spam'] 或 [1, 0, 1]（其中 1 可能代表 '垃圾邮件'，0 代表 '非垃圾邮件'）。

在分类中获取概率（可选但实用）

对于许多分类算法，您可以获得比仅仅预测类别更详细的信息。您不再是问“模型预测哪个类别？”，而是问“模型为每个类别分配了多少概率？”这通常通过 predict_proba() 方法来完成。

# 假设 'model' 是一个已训练的分类模型
# 假设 'X_new' 是您的新数据，已正确预处理

probabilities = model.predict_proba(X_new)

# 打印概率
print(probabilities)

如果您有两个类别（例如，0 和 1），predict_proba() 的输出对于三个输入样本可能如下所示：

[[0.1 0.9]  # 样本 1：类别 0 的概率为 10%，类别 1 的概率为 90%
 [0.8 0.2]  # 样本 2：类别 0 的概率为 80%，类别 1 的概率为 20%
 [0.4 0.6]] # 样本 3：类别 0 的概率为 40%，类别 1 的概率为 60%

每一行对应 X_new 中的一个样本。每一列对应一个类别（通常按排序顺序，例如类别 0 然后类别 1）。每行中的值总和为 1。标准的 predict() 方法通常只选择概率最高的类别。对于上面的样本 1，predict() 将输出类别 1（因为 0.9 > 0.1）。了解这些概率会很有用，特别是当您想了解模型的置信度或设置不同的决策阈值时。

既然您知道了如何使用已训练的模型对新数据进行预测，下一个合乎逻辑的步骤就是弄清楚这些预测实际有多好。我们需要衡量模型表现的方法，这正是我们将在下一节关于评估中讨论的内容。