使用Scikit学习，基本思想（例如回归）是预测一些＆＃34; y＆＃34;给出一个数据向量＆＃34; x＆＃34;在适合模特之后。典型代码看起来像这样（改编自here）：
from sklearn.svm import SVR
import numpy as np
n_samples, n_features = 10, 5
np.random.seed(0)
y = np.random.randn(n_samples)
X = np.random.randn(n_samples, n_features)
clf = SVR(C=1.0, epsilon=0.2)
clf.fit(X[:-1], y[:-1])
prediction = clf.predict(X[-1])
print 'prediction:', prediction[0]
print 'actual:', y[-1]
我的问题是：是否有可能适合某些模型（可能不是SVR）给出＆＃34; x＆＃34;和＆＃34; y＆＃34;，然后预测＆＃34; x＆＃34;给予＆＃34; y＆＃34;。换句话说，就像这样：
clf = someCLF()
clf.fit(x[:-1], y[:-1])
prediction = clf.predict(y[-1])
#where predict would return the data vector that could produce y[-1]
答案 0 :(得分：2)
没有。有许多向量（X）可能导致相同的结果（Y），反之亦然。
如果你需要在开始时预测你用作X的数据，你可能会考虑改变你的X和Y.
答案 1 :(得分：1)
在scikit中不可能，没有。
你问的是x和y的生成或联合模型。如果您拟合这样的模型，则可以对分布p（x，y）或条件分布p（x | y）或p（y | x）中的任一个进行推断。朴素贝叶斯是最受欢迎的生成模型，但你不能用scikit的版本进行上述推断。除了微不足道的问题之外，它还会产生糟糕的估计。在给出其余变量的情况下，拟合好的连接模型要比一个变量的条件模型困难得多。