Python 机器学习中如何利用交叉评分进行预测
在我的课程中,我学会了如何使用交叉验证来提高模型的准确性,在训练中,一切看起来都很漂亮。但是,当我在培训中进行实践时,我发现我无法使用经过交叉验证培训的模型,请遵循我的代码:Python 机器学习中如何利用交叉评分进行预测,python,machine-learning,scikit-learn,cross-validation,Python,Machine Learning,Scikit Learn,Cross Validation,在我的课程中,我学会了如何使用交叉验证来提高模型的准确性,在训练中,一切看起来都很漂亮。但是,当我在培训中进行实践时,我发现我无法使用经过交叉验证培训的模型,请遵循我的代码: X = array[:,0:8] Y = array[:,8] num_folds = 10 seed = 7 kfold = KFold(num_folds, True, random_state = seed) modelo = LogisticRegression() resultado = cros
X = array[:,0:8]
Y = array[:,8]
num_folds = 10
seed = 7
kfold = KFold(num_folds, True, random_state = seed)
modelo = LogisticRegression()
resultado = cross_val_score(modelo, X, Y, cv = kfold)
print("Acurácia: %.3f" % (resultado.mean() * 100))
在这种交叉验证逻辑中,我如何使用在测试数据中训练的模型
我正在尝试类似于modelo.predict(X_测试)
的东西,但没有成功
有人能帮我吗?在使用
.predict
功能之前,您需要将模型与数据相匹配。我相信您正在使用scikit learn,因此:
clf = LogisticRegression()
clf = clf.fit(X, y)
clf.predict(X[:2, :])
从中,这是针对没有交叉验证的培训,您无法使用交叉验证分数进行预测,因为要预测,您需要先适应。您可能会考虑通过CV学习最佳参数并返回合适的模型。