我已尝试使用SKLearn进行线性回归。我有类似的信息：Calories Eaten |重量。
150 | 150
300 | 190
350 | 200
基本上编号，但我已将数据集纳入线性回归模型。
我感到困惑的是，我将如何预测新数据，比如说我有10个新的卡路里消耗数量，我想让它预测体重？
regressor = LinearRegression()
regressor.fit(x_train, y_train)
y_pred = regressor.predict(x_test) ??
但是，如何才能使仅使用我的10个新数据卡路里数量并使其成为测试集我希望回归量预测？
答案 0 :(得分：2)
你是对的，你只需调用模型的predict方法并传入新的看不见的数据进行预测。现在它还取决于new data的含义。您是在引用您不知道结果的数据（即您不知道权重值），还是这些数据用于测试模型的性能？
对于新数据（预测）：
你的方法是正确的。您只需打印y_pred变量即可访问所有预测。
您知道相应的权重值，并且您想要评估模型：
确保您有两个单独的数据集：x_test（包含要素）和y_test（包含标签）。使用y_pred变量生成预测，然后使用许多性能指标计算其性能。最常见的是均方根，您只需将y_test和y_pred作为参数传递。以下是sklearn提供的所有regression performance metrics的列表。
如果您不知道10个新数据点的权重值：
使用train_test_split将您的初始数据集拆分为两部分：training和testing。您将拥有4个数据集：x_train，y_train，x_test，y_test。
from sklearn.model_selection import train_test_split
# random state can be any number (to ensure same split), and test_size indicates a 25% cut
x_train, y_train, x_test, y_test = train_test_split(calories_eaten, weight, test_size = 0.25, random_state = 42)
通过拟合x_train和y_train训练模型。然后通过预测x_test并将这些predictions与y_test的实际结果进行比较来评估模型的培训效果。通过这种方式，您可以了解模型的执行方式。此外，您可以相应地预测weight values个新数据点的10。
作为初学者，还值得进一步阅读这个主题。 This是一个简单的教程。
答案 1 :(得分：1)
我很困惑的是，我将如何用新的预测 数据，说我吃了10个新卡路里数，我想要它 预测体重？
是的，Calories Eaten代表自变量，而Weight代表dependent变量。
将数据拆分为训练集和测试集后，下一步是使用X_train和y_train数据调整回归量。
训练模型后，您可以预测X_test方法的结果，因此我们得到了y_pred。
现在，您可以将y_pred（预测数据）与y_test进行比较，这是真实数据。
您还可以对创建的线性模型使用score方法，以获得模型的性能。
score使用R^2（R平方）指标或Coefficient of determination.
score = regressor.score(x_test, y_test)
要拆分数据，您可以使用train_test_split方法。
from sklearn.model_selection import train_test_split
X_train, y_train, X_test, y_test = train_test_split(eaten, weight, test_size = 0.2, random_state = 0)
答案 2 :(得分：1)
您必须在sklearn中使用model_selection选择模型，然后训练并拟合数据集。
from sklearn.model_selection import train_test_split
X_train, y_train, X_test, y_test = train_test_split(eaten, weight)
regressor.fit(X_train, y_train)
y_pred = regressor.predict(X_test)