Первый пример… . Построение первой модели: получение прогнозов

   
На этом шаге мы рассмотрим порядок шагов, выполняемых для прогнозирования.

   
Теперь мы можем получить прогнозы, применив эту модель к новым данным, по которым мы еще не знаем правильные метки. Представьте, что мы нашли в дикой природе ирис с длиной чашелистика
5 см, шириной чашелистика 2.9 см, длиной лепестка 1 см и шириной лепестка 0.2 см. К какому сорту ириса нужно отнести этот цветок? Мы можем поместить эти данные в массив NumPy,
снова вычисляя форму массива, т.е. количество примеров (1), умноженное на количество признаков (4):

[In 21]:
X_new = np.array([[5, 2.9, 1, 0.2]])
print("форма массива X_new: {}".format(X_new.shape))
форма массива X_new: (1, 4)

   
Обратите внимание, что мы записали измерения по одному цветку в двумерный массив NumPy, поскольку scikit-learn работает с двумерными массивами данных.

   
Чтобы сделать прогноз, мы вызываем метод predict объекта knn:

[In 22]:
prediction = knn.predict(X_new) 
print("Прогноз: {}".format(prediction)) 
print("Спрогнозированная метка: {}".format(iris_dataset['target_names'][prediction]))
Прогноз: [0]
Спрогнозированная метка: ['setosa']

   
Наша модель предсказывает, что этот новый цветок ириса принадлежит к классу 0, что означает сорт setosa. Но как узнать, можем ли мы доверять нашей модели? Правильный сорт ириса для
этого примера нам неизвестен, а ведь именно получение правильных прогнозов и является главной задачей построения модели!

   
На следующем шаге мы рассмотрим оценку качества модели.



Вы можете оставить комментарий, или Трекбэк с вашего сайта.

Оставить комментарий