如何用训练好的回归模型测试新的测试集代码
时间: 2024-03-20 14:43:03 浏览: 15
以下是一个使用训练好的回归模型测试新的测试集的示例代码:
```python
# 加载训练好的回归模型
import joblib
model = joblib.load('regression_model.pkl')
# 读取测试集数据
import pandas as pd
test_data = pd.read_csv('test_data.csv')
# 对测试集的特征数据进行预处理
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
test_features = scaler.fit_transform(test_data.drop('target', axis=1))
# 将预处理后的测试集特征数据输入到回归模型中进行预测
predictions = model.predict(test_features)
# 计算模型的预测值与测试集目标值之间的误差
from sklearn.metrics import mean_squared_error
mse = mean_squared_error(test_data['target'], predictions)
print('均方误差:', mse)
```
在以上示例代码中,我们首先使用`joblib`库加载了训练好的回归模型。然后,我们使用`pandas`库读取了新的测试集数据,并使用`sklearn`库中的`StandardScaler`类进行了特征数据的预处理。接下来,我们将预处理后的测试集特征数据输入到回归模型中进行预测,并使用`mean_squared_error`函数计算了预测值与目标值之间的均方误差。最后,我们输出了均方误差的值。需要注意的是,以上示例代码仅供参考,具体实现可能因数据和模型的不同而有所区别。