任務(wù)3.5預(yù)測(cè)PowerpointdesignPowerpoint目錄CONTENTS任務(wù)描述預(yù)備知識(shí)實(shí)施過(guò)程代碼示例01任務(wù)描述Powerpoint本次任務(wù)的目標(biāo)是利用已經(jīng)訓(xùn)練好的機(jī)器學(xué)習(xí)模型，對(duì)未知的樣本數(shù)據(jù)進(jìn)行預(yù)測(cè)，并輸出預(yù)測(cè)結(jié)果（模型應(yīng)用）。01任務(wù)目標(biāo)01預(yù)測(cè)是機(jī)器學(xué)習(xí)模型應(yīng)用的重要環(huán)節(jié)，它能夠幫助我們了解模型對(duì)于新數(shù)據(jù)的泛化能力，同時(shí)也是模型實(shí)際應(yīng)用中的主要步驟。預(yù)測(cè)的重要性任務(wù)實(shí)施將包括以下幾個(gè)步驟：加載模型。數(shù)據(jù)預(yù)處理。進(jìn)行預(yù)測(cè)。輸出預(yù)測(cè)結(jié)果。評(píng)估與反饋（可選）任務(wù)實(shí)施步驟02預(yù)備知識(shí)Powerpoint定義泛化能力是用來(lái)描述模型對(duì)新樣本的預(yù)測(cè)能力的。重要性如果一個(gè)模型只在訓(xùn)練數(shù)據(jù)上能準(zhǔn)確地分類，作用是很小的，因?yàn)樗淦淞渴悄Ｐ汀坝涀　绷溯斎牒蛯?duì)應(yīng)的輸出，在新的場(chǎng)景中沒(méi)有辦法做出準(zhǔn)確預(yù)測(cè)。我們總是希望機(jī)器學(xué)習(xí)模型能在新樣本上有很好的表現(xiàn)。避免過(guò)擬合和欠擬合強(qiáng)泛化能力需要回避過(guò)擬合和欠擬合。欠擬合是指模型在訓(xùn)練集、驗(yàn)證集和測(cè)試集上均表現(xiàn)不佳的情況；過(guò)擬合是指模型在訓(xùn)練集上表現(xiàn)很好，到了驗(yàn)證和測(cè)試階段就很差。泛化能力交叉驗(yàn)證是將原本的訓(xùn)練集劃分為訓(xùn)練集與測(cè)試集，比如：原本的訓(xùn)練集劃分為5份，前四份作為訓(xùn)練集，最后一份作為測(cè)試集，驗(yàn)證第一次，然后用1,2,3,5作為訓(xùn)練集，4作為測(cè)試集，再驗(yàn)證一次，重復(fù)交叉驗(yàn)證，最后求得一個(gè)均值則為訓(xùn)練結(jié)果。定義此時(shí)再用測(cè)試集進(jìn)行測(cè)試，效果會(huì)好很多。作用交叉驗(yàn)證03實(shí)施過(guò)程Powerpoint使用pickle模塊加載訓(xùn)練好的模型和預(yù)處理步驟中使用的scaler。01加載模型讀取未知樣本數(shù)據(jù)，并進(jìn)行與訓(xùn)練數(shù)據(jù)相同的預(yù)處理步驟?！睌?shù)據(jù)預(yù)處理使用加載的模型對(duì)預(yù)處理后的未知樣本數(shù)據(jù)進(jìn)行預(yù)測(cè)。進(jìn)行預(yù)測(cè)將模型的預(yù)測(cè)結(jié)果輸出?！?1輸出預(yù)測(cè)結(jié)果如果實(shí)際結(jié)果可用，進(jìn)行評(píng)估與反饋。評(píng)估與反饋（可選）04代碼示例Powerpoint03withopen('scaler.pkl','rb')asfscaler=pickle.load(f)02withopen('trained_model.pkl','rb')asfmodel=pickle.load(f)01importpickle.importpandasaspd.fromsklearn.preprocessingimportStandardScaler.加載模型pythonunknown_samples=pd.read_csv('unknown_samples.csv')X_unknown=scaler.transform(unknown_samples.drop('target',axis=1))01數(shù)據(jù)預(yù)處理pythonpredictions=model.predict(X_unknown)進(jìn)行預(yù)測(cè)pythonprint("預(yù)測(cè)結(jié)果:",predictions)輸出預(yù)測(cè)結(jié)果python這部分將依賴于實(shí)際結(jié)果的收集方式，可能包括混淆矩陣、準(zhǔn)確率、召回率等指標(biāo)的計(jì)算。評(píng)