### 测试已训练的机器学习模型 在 Python 中测试已训练的机器学习模型通常涉及以下几个步骤，包括数据准备、模型预测、性能评估等。 #### 1. 数据准备 测试模型的第一步是准备一个独立的测试数据集。这个数据集应该与训练数据集相似，但又不包含在训练过程中使用过的数据。可以使用 `train_test_split` 函数将原始数据集划分为训练集和测试集[^3]。 ```python from sklearn.model_selection import train_test_split from sklearn.datasets import load_iris # 加载数据集 iris = load_iris() X, y = iris.data, iris.target # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) ``` #### 2. 模型预测 一旦准备好测试数据集，就可以使用训练好的模型对测试数据进行预测。假设我们已经有一个训练好的线性回归模型，可以通过调用 `predict` 方法来进行预测。 ```python from sklearn.linear_model import LinearRegression import numpy as np # 生成示例数据 X_train = np.array([[1], [2], [3], [4], [5]]) y_train = np.array([1, 2, 3, 4, 5]) # 训练线性回归模型 model = LinearRegression() model.fit(X_train, y_train) # 对测试数据进行预测 X_test = np.array([[6], [7], [8]]) predictions = model.predict(X_test) print("Predictions:", predictions) ``` #### 3. 性能评估 为了评估模型的性能，可以使用各种指标，例如均方误差（MSE）、R² 分数等。这些指标可以帮助了解模型在测试数据上的表现[^1]。 ```python from sklearn.metrics import mean_squared_error, r2_score # 假设 y_test 是实际的目标值 y_test = np.array([6, 7, 8]) # 计算均方误差和 R² 分数 mse = mean_squared_error(y_test, predictions) r2 = r2_score(y_test, predictions) print("Mean Squared Error:", mse) print("R² Score:", r2) ``` #### 4. 模型保存与加载 如果需要保存训练好的模型以便后续使用，可以使用 `joblib` 库进行保存和加载[^2]。 ```python import joblib # 保存模型 joblib.dump(model, 'my_model.joblib') # 加载模型 loaded_model = joblib.load('my_model.joblib') # 使用加载的模型进行预测 loaded_predictions = loaded_model.predict(X_test) print("Loaded Model Predictions:", loaded_predictions) ``` 通过以上步骤，可以在 Python 中有效地测试已训练的机器学习模型，并评估其性能。确保测试数据集与训练数据集的分布一致，并且选择合适的评估指标来衡量模型的表现。