使用 scikit-learn 训练线性回归模型后，如何对原始数据集中不存在的新数据点进行预测？

Question

我正在学习线性回归，我使用 scikit-learn 编写了这个线性回归代码，在进行预测之后，如何对原始数据集中不存在的新数据点进行预测。

在此数据集中，您根据工作经验给出了人员的薪水。

例如，一个有15年工作经验的人的预计工资应该是[167005.32889087]

Here is image of data set

这是我的代码，

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

from sklearn.linear_model import LinearRegression

data = pd.read_csv('project_1_dataset.csv')

X = data.iloc[:,0].values.reshape(-1,1)

Y = data.iloc[:,1].values.reshape(-1,1)

linear_regressor = LinearRegression()

linear_regressor.fit(X,Y)

Y_pred = linear_regressor.predict(X)

plt.scatter(X,Y)
plt.plot(X, Y_pred, color = 'red')
plt.show()

Answer 1

用现有数据集拟合和训练模型后（即 linear_regressor.fit(X,Y) 之后），您可以用相同的方式在新实例中进行预测：

new_prediction = linear_regressor.predict(new_data)
print(new_prediction)

其中 new_data 是您的新数据点。

如果你想对特定的随机新数据点进行预测，上面的方法应该足够了。如果您的新数据点属于另一个数据框，那么您可以将 new_data 替换为包含要预测的新实例的相应数据框。

使用 scikit-learn 训练线性回归模型后，如何对原始数据集中不存在的新数据点进行预测？

After training the Linear Regression model using scikit-learn , How to do predictions for new data points which are not there in original data set?

python

machine-learning

linear-regression

scikit-learn