我就廢話不多說了，大家還是直接看程式碼吧~

clf=KMeans(n_clusters=5) #建立分類器物件
fit_clf=clf.fit(X) #用訓練器資料擬合分類器模型
clf.predict(X) #也可以給新資料資料對其預測

print(clf.cluster_centers_) #輸出5個類的聚類中心

y_pred = clf.fit_predict(X) #用訓練器資料X擬合分類器模型並對訓練器資料X進行預測

print(y_pred) #輸出預測結果

補充知識：sklearn中呼叫某個機器學習模型model.predict(x)和model.predict_proba(x)的區別

model.predict_proba(x)不同於model.predict()，它返回的預測值為獲得所有結果的概率。（有多少個分類結果，每行就有多少個概率，對每個結果都有一個概率值，如0、1兩分類就有兩個概率）

我們直接上程式碼，通過具體例子來進一步講解：

python3 程式碼實現：

# -*- coding: utf-8 -*-
"""
Created on Sat Jul 27 21:25:39 2019

@author: ZQQ
"""
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier
from xgboost import XGBClassifier
import numpy as np
import warnings
warnings.filterwarnings("ignore")
# 這個方法只是解決了表面，沒有根治

# 資料（特徵，屬性）
x_train = np.array([[1,2,3],[1,5,4],[2,2],[4,6],[3,7,2]]) 
# 資料的標籤
y_train = np.array([1,1,0]) 
 
# 測試資料
x_test = np.array([[2,6,4]]) 
 
# 匯入模型
model = LogisticRegression() 
 
#model = RandomForestClassifier()

#model=XGBClassifier()

model.fit(x_train,y_train)

# 返回預測標籤 
print(model.predict(x_test)) 
 
print('---------------------------------------')

# 返回預測屬於某標籤的概率 
print(model.predict_proba(x_test)) 
 

執行結果：

分析結果：

使用model.predict() :

預測[2,2]為1類

預測[3,6]為1類

預測[2,4]為0類

使用model.predict_proba() :

預測[2,2]的標籤是0的概率為0.19442289，1的概率為0.80557711

預測[3,6]的標籤是0的概率為0.04163615，1的概率為0.95836385

預測[2,4]的標籤是0的概率為0.83059324，1的概率為0.16940676

預測為0類的概率值和預測為1的概率值和為1

同理，如果標籤繼續增加，3類：0，1,2

預測為0類的概率值：a

預測為1類的概率值：b

預測為2類的概率值：c

預測出來的概率值的和a+b+c=1

注：model.predict_proba()返回所有標籤值可能性概率值，這些值是如何排序的呢？

返回模型中每個類的樣本概率，其中類按類self.classes_進行排序。

通過numpy.unique(label)方法，對label中的所有標籤值進行從小到大的去重排序。

得到一個從小到大唯一值的排序。這也就對應於model.predict_proba()的行返回結果。

以上這篇Python sklearn中的.fit與.predict的用法說明就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。