發現個很有用的方法——predict_proba
今天在做資料**的時候用到了，感覺很不錯，所以記錄分享一下，以後可能會經常用到。
我的理解：predict_proba不同於predict，它返回的**值為，獲得所有結果的概率。（有多少個分類結果，每行就有多少個概率，以至於它對每個結果都有乙個可能，如0、1就有兩個概率）
舉例：獲取資料及****：
from sklearn.linear_model imuhohcport logisticregression
import numpy as np
train_x = np.array(np.random.randint(0,10,size=30).reshape(10,3))
train_y = np.array(np.random.randint(0,2,size=10))
test_x = np.array(np.random.randint(0,10,size=12).reshape(4,3))
model = logistuhohcicregression()
model.fit(train_x,train_y)
test_y = model.predict_proba(test_x)
print(train_x)
print(train_y)
print(test_y)
訓練資料
[[2 9 8]
[0 8 5]
[7 1 2]
[8 4 6]
[8 8 3]
[7 2 7]
[6 4 3]
[1 4 4]
[1 9 3]
[3 4 7]]
訓練結果，與訓練資料一一對應：
[1 1 1 0 1 1 程式設計客棧0 0 0 1]
測試資料：
[[4 3 0] #測試資料
[3 0 4]
[2 9 5]
[2 8 5]]
測試結果，與測試資料一一對應：
[[0.48753831 0.51246169]
[0.58182694 0.41817306]
[0.85361393 0.14638607]
[0.57018655 0.42981345]]
可以看出，有四行兩列，每行對應一條**資料，兩列分別對應 對於0、1的**概率（左邊概率大於0.5則為0，反之為1）
我們來看看使用predict方法獲得的結果：
test_y = model.predict(test_x)
print(test_y)
輸出結果：[1,0,0,0]
所以有的情況下predict_proba還是很有用的，它可以獲得對每種可能結果的概率，使用predict則是直接獲得唯一的**結果，所以在使用的時候，應該靈活使用。
補充乙個知識點：關於**結果標籤如何與原來標籤相對應
predict_proba返回所有標籤值可能性概率值，這些值是如何排序的呢？
返回模型中每個類的樣本概率，其中類按類self.classes_進行排序。
其中關鍵的步驟為numpy的unique方法，即通過np.unique(label)方法，程式設計客棧對label中的所有標籤值進行從小到大的去重排序。得到乙個從小到大唯一值的排序。這也就對應於predict_proba的行返回結果。
補充知識：python sklearn decision_function、predict_proba、predict
看**~
import matplotlib.pyplot as plt
import numpy as np
from sklearn.svm import svc
x = np.array([[-1,-1],[-2,-1],[1,1],[2,1],[-1,1],[-1,2],[1,-1],[1,-2]])
y = np.array([0,0,1,1,2,2,3,3])
# y=np.array([1,1,2,2,3,3,4,4])
# clf = svc(decision_function_shape="ovr",probability=true)
clf = svc(probability=true)
clf.fit(x, y)
print(clf.decision_function(x))
'''對於n分類，會有n個分類器，然後，任意兩個分類器都可以算出乙個分類介面，這樣，用decision_function()時，對於任意乙個樣例，就會有n*(n-1)/2個值。
任意兩個分類器可以算出乙個分類介面，然後這個值就是距離分類介面的距離。
我想，這個函式是為了統計畫圖，對於二分類時最明顯，用來統計每個點離超平面有多遠，為了在空間中直觀的表示資料以及畫超平面還有間隔平面等。
decision_function_shape="ovr"時是4個值，為ovo時是6個值。
'''print(clf.predict(x))
clf.predict_proba(x) #這個是得分,每個分類器的得分，取最大得分對應的類。
#畫圖plot_step=0.02
x_min, x_max = x[:, 0].min() - 1, x[:, 0].max() + 1
y_min, y_max = x[:, 1].min() - 1, x[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, plot_step),
np.arange(y_min, y_max, plot_step))
z = clf.predict(np.c_[xx.r**el(), yy.r**el()]) #對座標風格上的點進行**，來畫分介面。其實最終看到的類的分界線就是分介面的邊界線。
z = z.reshape(xx.shape)
cs = plt.contourf(xx, yy, z, cmap=plt.cm.paired)
plt.axis("tight")
class_names="abcd"
plot_colors="rybg"
for i, n, c in zip(range(4), class_names, plot_colors):
idx = np.where(y == i) #i為0或者1，兩個類
plt.scatter(x[idx, 0], x[idx, 1],
c=c, cmap=plt.cm.paired,
label="class %s" % n)
plt.xlim(x_min, x_max)
plt.ylim(y_min, y_max)
plt.legend(loc='upper rightuhohc')
plt.xlabel('x')
plt.ylabel('y')
plt.title('decision boundary')
plt.show()
本文標題: sklearn的predict_proba使用說明
本文位址:
暫存器（RAL）模型中的predict操作
在暫存器模型中，比如讀寫操作，我們是怎麼進行 的，也就是說怎麼更新field的3個值得，即value,mirror value,desired value。核心方法是do predict。我們發現在後門訪問時，會自動呼叫do predict方法進行 而在前門訪問時，是否會進行 是有條件的，必須得設定...
sklearn學習 sklearn學習的相關資料
0 scikit learn官網 1 使用sklearn進行整合學習 理論 2 使用sklearn進行整合學習 實踐 3 sklearn學習筆記之開始 4 誰動了我的特徵？sklearn特徵轉換行為全記錄 5 使用sklearn優雅地進行資料探勘 備註 作者是個大神 6 sklearn多個例項 7 ...
sklearn初探（一） sklearn安裝
scikit learn 要求 警告 scikit learn 0.20是支援python 2.7和python 3.4的最後乙個版本。scikit learn現在需要python 3.5或更新版本。如果你已經有乙個合適的 numpy 和 scipy版本，安裝 scikit learn 最簡單的方法...