Функция Python предсказать () – все, что вам нужно знать!

Эй, читатели! В этой статье мы будем сосредоточиться на Python предсказать () Функция в деталях. Итак, давайте начнем сейчас !!

Понимание функции прогнозирования () в Python

В домене Наука данных , нам нужно применить различные модели обучения машины на наборах данных, чтобы тренировать данные. Далее, которые мы пытаемся предсказать значения для неподготовленных данных.

Это когда функция прогнозирования () входит в изображение.

Python предсказать () Функция позволяет нам Предсказать этикетки значений данных На основании обученной модели.

Синтаксис :

model.predict(data)

Функция предсказания () принимает только один аргумент Обычно это данные для проверки.

Он возвращает этикетки данных, переданных в качестве аргумента, основанного на выученных или обученных данных, полученных из модели.

Таким образом, функция прогнозирования () работает сверху обученной модели и использует выученную метку на карту и предсказывает этикетки для тестирования данных.

Реализация функции python предсказать ()

Сначала начните с загрузки набора данных в окружающую среду. Функция PandaS.READ_CSV позволяет нам загрузить набор данных из системы.

Вы можете найти набор данных здесь .

Поскольку набор данных содержит категорические переменные, а также созданные таблетки категорических функций для легкости в моделировании с использованием Pandas.get_Dummies () функция.

Далее у нас есть Разделите набор данных на тренировку и тестирование DataSet Использование rain_test_split () функция.

import os
import pandas

#Changing the current working directory
os.chdir("D:/Ediwsor_Project - Bike_Rental_Count")
BIKE = pandas.read_csv("Bike.csv")
bike = BIKE.copy()

categorical_col_updated = ['season','yr','mnth','weathersit','holiday']
bike = pandas.get_dummies(bike, columns = categorical_col_updated) 

#Separating the dependent and independent data variables into two data frames.
from sklearn.model_selection import train_test_split 

X = bike.drop(['cnt'],axis=1) 
Y = bike['cnt']

# Splitting the dataset into 80% training data and 20% testing data.
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=.20, random_state=0)

Теперь давайте сосредоточимся на реализации алгоритма для прогнозирования в предстоящем разделе.

Использование предсказания () функции с деревами решений

Теперь мы применили Алгоритм дерева решений На вышеуказанном разделенном наборе данных и использовали Прогнозировать () Функция Чтобы предсказать этикетки набора тестирования на основе данных на основе значений, предсказанных из модели дерева принятия решений.

#Building the Decision Tree Model on our dataset
from sklearn.tree import DecisionTreeRegressor
DT_model = DecisionTreeRegressor(max_depth=5).fit(X_train,Y_train)
DT_predict = DT_model.predict(X_test) #Predictions on Testing data
print(DT_predict)

Выход:

Использование функции прогнозирования () с помощью алгоритма KNN

В этом примере мы использовали КНН АЛГОРИТММ делать прогнозы из набора данных. Мы применили Kneighborsregressor () Функция на учебных данных.

Кроме того, мы применили функцию предсказания () в отношении прогнозов на наборе данных тестирования.

Building the KNN Model on our dataset
from sklearn.neighbors import KNeighborsRegressor
KNN_model = KNeighborsRegressor(n_neighbors=3).fit(X_train,Y_train)
KNN_predict = KNN_model.predict(X_test) #Predictions on Testing data
print(KNN_predict)

Выход:

Заключение

По этому, мы подошли к концу этой темы. Не стесняйтесь комментировать ниже, если вы столкнетесь с любыми вопросами!

Для большего количества таких постов, связанных с Python, оставайся мелодией и до тех пор, как потом, счастливое обучение !! 🙂.