Wie Zielmarke zur Vorhersage scikit

Question

mit lernen

Lassen Sie uns sagen, dass ich einen Datensatz haben, werde ich ein Spielzeug Beispiel in diesem Fall bieten ...

data = pd.DataFrame(np.random.randint(0,100,size=(100, 4)), columns=list('ABCD')) 
target = "A" 

..., die ...

 A B C D 
    0 75 38 81 58 
    1 36 92 80 79 
    2 22 40 19 3 
     ... ... 

erzeugt

Dies ist eindeutig nicht genug Daten, die eine gute Genauigkeit zu geben, aber dennoch, sagen wir, ich füttern data und target zu einem random forest Algorithmus von bereitgestellt scikit lernen ...

def random_forest(target, data): 

    # Drop the target label, which we save separately. 
    X = data.drop([target], axis=1).values 
    y = data[target].values 

    # Run Cross Validation on Random Forest Classifier. 
    clf_tree = ske.RandomForestClassifier(n_estimators=50) 
    unique_permutations_cross_val(X, y, clf_tree) 

unique_permutations_cross_val ist einfach eine Kreuzvalidierung Funktion, die ich gemacht, dies ist die Funktion (es gibt die Genauigkeit des Modells als auch aus) ...

def unique_permutations_cross_val(X, y, model): 

    # Split data 20/80 to be used in a K-Fold Cross Validation with unique permutations. 
    shuffle_validator = model_selection.ShuffleSplit(n_splits=10, test_size=0.2, random_state=0) 

    # Calculate the score of the model after Cross Validation has been applied to it. 
    scores = model_selection.cross_val_score(model, X, y, cv=shuffle_validator) 

    # Print out the score (mean), as well as the variance. 
    print("Accuracy: %0.4f (+/- %0.2f)" % (scores.mean(), scores.std())) 

Anyways, meine Hauptfrage ist, Wie kann ich das Ziellabel mithilfe dieses Modells vorhersagen? Nehmen wir zum Beispiel an, dass ich das Modell [28, 12, 33] füttere. Ich möchte, dass das Modell die target vorhersagt, die in diesem Fall "A" ist.

Answer 1

Dieses Modell im geposteten Code ist noch nicht eingebaut. Sie haben eine Überkreuzvalidierung durchgeführt, die Ihnen sagen wird, wie gut (oder nicht) das Modell Ihre Daten trainiert, aber es passt nicht zu dem Modellobjekt, wie Sie wollen. cross_val_score() verwendet Klone des gelieferten Modellobjekts, um die Bewertungen zu finden.

Zum Vorhersagen der Daten müssen Sie im Modell explizit fit() aufrufen.

Vielleicht können Sie Ihre random_forest Methode bearbeiten, um das angepasste Modell zurückzugeben. Etwas wie folgt aus:

unique_permutations_cross_val(X, y, clf_tree) 
clf_tree.fit(X, y) 
return clf_tree 

Und dann, wo Sie die random_forest Methode aufrufen, können Sie dies tun:

fitted_model = random_forest(target, data) 

predictions = fitted_model.predict([data to predict])