Python 逻辑回归-如何在另一个数据集上使用模型并获得概率值

我正在制作我的第一个ML模型，我需要一些关于在第二个数据集上使用模型的帮助

所以我有两套：“train_full.csv”和“test_full.csv”。这两组具有完全相同的结构

唯一的区别是在“train_full.csv”列中，“target”用0和1填充，而在“test_set.csv”列中该列为空，我想预测这些值

下面你可以找到我基于“train_full.csv”的模型。为了代码清晰，我跳过了数据清理的整个部分：

df2=pd.read_csv（“train_full.csv”，sep=”；）
test_set=pd.read_csv（“test_full.csv”，sep='；”）
#数据集清理
#我的y列命名为“target”，我的x列是剩余的列
X_系列，X_测试，y_系列，y_测试=系列测试分割（df2.下降（'目标'，轴=1），
df2[“目标”]，测试尺寸=0.35，
随机状态=101）
#建立Logistic回归模型
logmodel=LogisticRegression（）
结果=对数模型拟合（X\U序列，y\U序列）
#预测
预测=对数模型预测（X_检验）
打印（度量.混淆矩阵（y检验，预测））
打印（指标、分类报告（y检验、预测））#准确率：78%
auc=度量。roc_auc_得分（y_检验，y_预测概率）#auc:~0.695

现在，我想在第二个数据集上使用该模型，我已经在第二行代码中导入了该模型，但是我不再需要将数据集拆分为训练和测试子集。我想在整个“test_full.csv”集合上使用上面的模型。我该怎么做

还有，有没有办法用计算出的概率添加一列？因此，我的输出将是一个如下所示的数据帧：

Id probability target
0 0.75 1
1 0.78 1
2 0.34 0
3 0.84 1
4 0.13 0
5 0.34 0

这很简单

您只需从

test\u集合中删除目标列

，然后使用

logmodel.predict（）

用于分类，而

logmodel.predict\u proba（）

用于概率。下面是一个相同=>

test_set = test_set.drop(['target'],axis=1)

==>下面两行将在

test\u set

dataframe中添加一列，该列是与预测相关的prob和分类

test_set['prob'] = logmodel.predict_proba(test_set)
test_set['classification'] = logmodel.predict(test_set)

---

尝试类似这样的方法

Predictions2=logmodel.predict_proba（test_set）[1]

概率为1。嘿，我已经尝试了你的解决方案（不得不删除

test_set=test_set.drop（columns='target'）

，因为它包含了我想要预测的空值。你这行的结果是：

数组（[0.8072,0.1927]）

。我把它改为：

Predictions2=logmodel.predict（test\u set）

，它返回了一个0和1的数组。这就是你预测二进制变量的方式吗？如果我把这个数组当作“目标”，我会犯错误吗就我所知，proba值的结果应该是每行一个值，并根据该值计算“target”（如果proba>0.5，则为1），esle:0）我的行应该是

Predictions2=logmodel。predict_proba（test_set）[：，1]

-它选择列“1”上一行选择的行“1”“.Predict_proba返回概率数组，例如，如果您有5个类要预测，则将有5列，每行总和为1。默认阈值为0.5，但您可以针对特定度量（例如f1）优化其值。