predict函数怎么用

### 如何使用 `predict` 函数

在机器学习模型训练完成后，通常会使用 `predict` 方法来预测新数据的目标变量。对于 PyCaret 和 scikit-learn 中的模型来说，这个过程非常相似。

#### 使用 PyCaret 的 `predict` 函数

PyCaret 是一个低代码机器学习库，在设置好环境之后可以方便地调用 `predict_model()` 来获取预测结果[^1]：

from pycaret.regression import load_model, predict_model
import pandas as pd

# 加载已经保存好的模型
model = load_model('my_saved_pipeline')

# 导入新的测试集
data_unseen = pd.read_csv('new_data.csv')
predictions = predict_model(model, data=data_unseen)

# 显示前几行的结果
print(predictions.head())

这段代码展示了如何加载之前保存下来的管道并对其应用到未知的数据上进行预测。注意这里使用的 `predict_model()` 而不是直接调用模型对象上的 `.predict()` 方法；这是因为前者不仅返回预测值还包含了置信区间等额外信息。

#### 使用 Scikit-Learn 的 `predict` 函数

当使用像逻辑回归这样的具体算法时，则可以直接通过实例化的分类器来进行预测操作[^3]:

from sklearn.linear_model import LogisticRegression
import numpy as np

# 假设我们有一个训练过的逻辑回归模型 lr
lr = LogisticRegression(C=1e9)  # 设置较大的 C 参数以减少正则化影响
X_test = [[...], [...]]        # 测试特征矩阵

y_pred = lr.predict(X_test)
proba_predictions = lr.predict_proba(X_test)

print(f'Predicted classes: {y_pred}')
print(f'Probability estimates:\n{np.round(proba_predictions, decimals=2)}')

在这个例子中，除了基本类别预测外还可以得到概率估计值。这有助于理解每个样本属于不同类别的可能性大小。