Python 机器学习模型中的数据拟合与预测

在分类或回归中，我们需要我们的模型从输入数据（训练数据）中学习。例如，寻找最佳可能的模型参数值（在线性回归中）

当我在机器学习中学习分类部分时，我遇到了下面给出的代码（在MNIST数据集中分类“Not-5”的模型）：

此代码来自handson ml master/03_Classification.ipynb

from sklearn.base import BaseEstimator
class Never5Classifier(BaseEstimator):
def fit(self, X, y=None): # fit the data
    pass
def predict(self, X):
    print(X.shape)
    print(len(X))
    return np.zeros((len(X), 1), dtype=bool)

下面是对模型执行交叉验证的代码

never_5_clf = Never5Classifier()

cross_val_score(never_5_clf, X_train, y_train_5, cv=3, scoring="accuracy")

---

这是定制的模型，所以我想知道数据是如何拟合的（黑匣子里发生了什么）。虽然我遇到了很多模型，但是有一些数学证明/方法来确定参数值

在上面给出的示例中，您的模型试图对数据集中的特定图形是否标记为数字

5

进行分类。这是通过向您的模型提供一个只包含数字

5

的

训练集来完成的，从这个
训练集
，您的模型正在学习对于图形
5
来说是唯一的特征（
特征
）。这样，您的模型就可以从
训练集中每个图像包含的28x28像素中学习。完成模型训练（将足够多的数字样本
5
输入分类器）后，您的模型现在可以进行测试了。在测试阶段，您使用的是一个
测试集
，在这种情况下，它将不同于您的模型从中学习到的
训练集。它将在某种程度上有所不同，它不仅包含像在
训练集中那样的数字
5
，而且现在它将包含所有类型的数字（
0-9
），并且您的模型将能够用1对每个样本进行分类，这意味着
为真
（也称为
5
），或者使用
0
，它是
false
（也就是说它不是
5
）。这就是
fit（）
函数的工作方式。在这种情况下，您只需使用一个数字（在您的情况下是数字
5
）来训练您的模型，然后您将测试您的模型是否能够查看
测试集中的随机数字实际上是
5
还是其他数字。在您的
训练集上调用
fit（）
后，您的模型已经学会识别数字
5
，但它没有了解
3、8、4或1
是什么样子，但它可以知道，如果它不是
5
，那么它就是另一个模型尚未学会的数字
 你在哪里找到这个代码的？请链接那个。@VivekKumar完成！Never5分类软件不学习任何东西，总是预测所有数据为负值。i、 e.不是5。