def on_predict_click(): humidity = int(humidity_entry.get()) temperature = int(temperature_entry.get()) uv_intensity = int(uv_intensity_entry.get()) humidity, temperature, uv_intensity = scaler.fit_transform([[humidity, temperature, uv_intensity]])[0] # prediction = model.predict([[humidity, temperature, uv_intensity]])[0] # 方法一 prediction = clf.predict([[humidity, temperature, uv_intensity]])[0] # 方法二 result_entry.delete(0, tk.END) result_entry.insert(0, prediction) predict_button = ttk.Button(window, text="Predict", command=on_predict_click) predict_button.grid(column=0, row=3) result_label = ttk.Label(window, text="Sunburn Level: ") result_label.grid(column=1, row=3) result_entry = ttk.Entry(window) result_entry.grid(column=2, row=3)

这段代码是一个简单的机器学习模型的前端界面，可以输入三个特征值，然后使用预训练好的模型对这些值进行预测，并将结果显示在界面上。其中 `humidity_entry`、`temperature_entry` 和 `uv_intensity_entry` 是用来输入三个特征值的文本框，`result_entry` 是用来显示预测结果的文本框，`predict_button` 是用来触发预测的按钮。在 `on_predict_click` 函数中，先将输入的三个特征值进行归一化处理，然后使用预训练好的模型进行预测，并将结果显示在 `result_entry` 文本框中。其中使用了两种不同的预测方法，分别是 `model.predict()` 和 `clf.predict()`，可能是因为使用了不同的模型或者不同的预处理方法。