python 多分类预测模型_基于scikit-learn机器学习库的分类预测

摘要： 在Python中如何使用scikit-learn模型对分类、回归进行预测？本文简述了其实现原理和代码实现。

一旦你在scikit-learn中选择好机器学习模型，就可以用它来预测新的数据实例。初学者经常会有这样的疑问：

如何在scikit-learn中用我自己的模型进行预测？

在本教程中，你将会发现如何在Python的机器学习库scikit-learn 中使用机器学习模型进行分类和回归预测。文章结构如下：

1.如何构建一个模型，为预测做好准备。

2.如何在scikit-learn库中进行类别和概率预测。

3.如何在scikit-learn库中进行回归预测。

一、构建一个模型

在进行预测之前，你必须训练一个最终模型。你可以使用k-fold交叉验证或训练/测试数据，对模型进行训练。这样做的目的就是为了评估模型在样本外数据上的表现及其性能，比如新的数据。

你可以在这里了解更多关于如何训练最终模型的信息：

如何训练一个最终的机器学习模型？

如何预测分类模型

分类问题，就是模型学习输入特征与输出特征之间的映射，确定某一个或多个数据实例是否为某一个类标签的问题，比如“是垃圾邮件”和“不是垃圾邮件”。

下面是针对一个简单二元分类问题的Logistic回归模型的示例代码。

尽管我们在本教程中使用Logistic回归，在scikit-learn中几乎所有的分类算