Python sklearn 中的.fit 与.predict 的用法详解

Scikit-learn(sklearn)是 Python 中一个强大的机器学习库，它提供了丰富的工具和算法用于数据挖掘、数据分析和机器学习任务。在 sklearn 中，.fit()和.predict()是两个非常重要的方法，它们在模型训练和预测过程中起着关键作用。理解这两个方法的用法对于正确使用 sklearn 构建和应用机器学习模型至关重要。本文站长工具网将详细介绍.fit()和.predict()方法的用法，包括它们的基本概念、参数设置、返回值以及在不同机器学习算法中的具体应用示例。

一、.fit()方法

基本概念

.fit()方法是 sklearn 中用于训练机器学习模型的核心方法。它的主要作用是让模型从给定的训练数据中学习到数据的内在模式和规律。当我们调用.fit()方法时，模型会根据训练数据调整自身的参数，以最小化预测误差或最大化某个性能指标。例如，在一个线性回归模型中，.fit()方法会根据训练数据中的自变量和因变量的值，计算出回归直线的斜率和截距等参数，使得这条直线能够最好地拟合训练数据。

参数设置

不同的机器学习模型在.fit()方法中可能需要不同的参数。一般来说，最常见的参数是训练数据本身。对于大多数监督学习模型，训练数据通常是以特征矩阵(X)和目标向量(y)的形式提供的。特征矩阵是一个二维数组，其中每一行代表一个样本，每一列代表一个特征;目标向量是一个一维数组，其中每个元素对应一个样本的目标值。例如，在一个房价预测模型中，特征矩阵可能包含房屋的面积、房间数量、房龄等特征，目标向量则是房屋的实际价格。

除了训练数据，一些模型可能还需要其他参数。例如，在决策树模型中，我们可以设置树的最大深度、最小样本分裂数等参数。这些参数可以通过.fit()方法的关键字参数形式传递。例如，我们可以使用model.fit(X, y, max_depth = 5, min_samples_split = 2)来训练一个决策树模型，其中max_depth = 5设置了树的最大深度为 5，min_samples_split = 2设置了节点至少要有 2 个样本才能分裂。

返回值

.fit()方法本身通常没有返回值或者返回一个经过训练的模型对象(self)。这个经过训练的模型对象包含了模型在训练过程中学习到的参数和信息。例如，在一个线性回归模型中，经过训练的模型对象会包含回归直线的斜率和截距等参数。我们可以通过访问模型对象的属性来获取这些参数。例如，如果我们使用lr = LinearRegression()创建一个线性回归模型对象，然后调用lr.fit(X, y)进行训练，我们可以通过lr.coef_获取回归直线的斜率，通过lr.intercept_获取回归直线的截距。

二、.predict()方法

基本概念

.predict()方法是在模型经过.fit()方法训练之后，用于对新的数据进行预测的方法。它的主要作用是根据训练好的模型，对输入的新数据(特征矩阵)进行预测，得到预测结果(目标向量)。例如，在房价预测模型中，如果我们已经用历史数据训练好了一个模型，当我们输入一套新房的特征数据(如面积、房间数量、房龄等)，.predict()方法会根据训练好的模型计算出这套房子的预测价格。

参数设置

.predict()方法的主要参数是需要预测的新数据(特征矩阵)。这个特征矩阵的格式应该与训练数据的特征矩阵格式相同。例如，如果训练数据的特征矩阵是一个二维数组，其中每一行代表一个样本，每一列代表一个特征，那么预测数据的特征矩阵也应该是这样的格式。对于一些模型，可能还需要其他参数，例如在分类模型中，可能需要指定预测类别数量等参数，但这些情况相对较少。

返回值

.predict()方法返回一个一维数组，其中包含了对输入的新数据的预测结果。这个预测结果的格式与训练数据的目标向量格式相同。例如，如果训练数据的目标向量是一个一维数组，其中每个元素对应一个样本的目标值，那么预测结果的预测向量也应该是这样的格式。在房价预测模型中，返回值就是一套套房子的预测价格组成的一维数组。

三、在不同机器学习算法中的应用示例

线性回归

线性回归是一种用于预测连续变量的监督学习算法。假设我们有一个数据集，其中包含房屋的面积(X1)、房间数量(X2)、房龄(X3)等特征，以及房屋的实际价格(y)。我们首先创建一个线性回归模型对象：

lr = LinearRegression()

然后我们将训练数据(特征矩阵 X 和目标向量 y)传递给.fit()方法进行训练：

lr.fit(X, y)

经过训练后，我们可以通过访问模型对象的属性获取回归直线的斜率和截距等参数。例如，lr.coef_获取斜率，lr.intercept_获取截距。

当我们有新的房屋特征数据(如一套新房的面积、房间数量、房龄等)时，我们将这些数据组成特征矩阵 X_new，然后传递给.predict()方法进行预测：

y_pred = lr.predict(X_new)

这里y_pred就是这套新房的预测价格。

决策树分类

决策树分类是一种用于分类问题的监督学习算法。假设我们有一个数据集，其中包含动物的特征(如是否有四肢、是否有毛发、是否会飞等)以及动物的类别(如哺乳动物、鸟类、爬行动物等)。我们首先创建一个决策树分类模型对象：

dt = DecisionTreeClassifier()

然后我们将训练数据(特征矩阵 X 和目标向量 y)传递给.fit()方法进行训练：

dt.fit(X, y)

经过训练后，当我们有新的动物特征数据(如一只未知动物的特征)时，我们将这些数据组成特征矩阵 X_new，然后传递给.predict()方法进行预测：

y_pred = dt.predict(X_new)

这里y_pred就是这只未知动物的预测类别。

支持向量机分类

支持向量机分类是一种用于分类问题的监督学习算法。假设我们有一个数据集，其中包含图像的特征(如颜色特征、纹理特征等)以及图像的类别(如猫、狗、其他动物等)。我们首先创建一个支持向量机分类模型对象：

svc = SupportVectorMachine()

然后我们将训练数据(特征矩阵 X 和目标向量 y)传递给.fit()方法进行训练：

svc.fit(X, y)

经过训练后，当我们有另一个场景的图像特征数据(如一组新的图像特征)时，我们将这些数据组成特征矩阵 X_new，然后传递第 2 步的predict()方法进行预测：

y_pred = svc.predict(X_new)

这里y_pred就是这些新图像的预测类别。

总结

在 Python 的 sklearn 库中，.fit()和.predict()是两个至关重要的方法。.fit()方法用于训练机器学习模型，让模型从训练数据中学习到数据的内在模式和规律，通过调整自身参数来最小化预测误差或最大化某个性能指标。它的参数设置通常包括训练数据以及一些模型特定的参数，返回值通常是一个经过训练的模型对象。.predict()方法用于对新的数据进行预测，根据训练好的模型对输入的新数据进行预测得到预测结果。它的参数设置主要是需要预测的新数据，返回值是一个一维数组包含预测结果。这两个方法在不同的机器学习算法中都有广泛的应用，如线性回归、决策树分类、支持向量机分类等。通过正确理解和使用.fit()和.predict()方法，我们可以利用 sklearn 库构建和应用各种机器学习模型，解决实际的数据分析和预测问题。