使用logistic回归进行预测（Python Sci Kit Learn）

Question

我对在Python中使用SciKit learn比较陌生。在阅读了一些主题和观看了一些演示之后，我决定自己投入进去。在

所以，基本上，我试图根据一些特征来预测客户的转化率。结果要么活跃（1）要么不活跃（0）。我尝试了KNN和logistic回归。使用KNN我得到的平均准确度是0.893，而logistic回归是0.994。后者似乎如此之高，这是否现实/可能？在

总之：假设我的模型确实非常精确，我现在想导入一个具有相同feauture列的新数据集并预测它们的转换（它们将在本月结束）。在上面的例子中，我使用cross_val_score来获得准确度得分。在

我现在是否需要导入新集合，以某种方式使新集合适合此模型。（不再训练了，现在我只想用它）

有人能告诉我怎么做吗？如果需要其他信息，请对此发表评论。在

提前谢谢！在

Answer 1

除了“Pickle”之外，还可以使用joblib。在

## 
from sklearn.linear_model import LogisticRegression
from sklearn.externals import joblib

假设已经定义了X，Y

^{pr2}$

将模型保存到磁盘

filename = 'finalized_model.sav'
joblib.dump(model, filename)

从磁盘加载模型

loaded_model = joblib.load(filename)
result = loaded_model.score(X_test, Y_test)

Answer 2

对于统计问题：当然，这是可能发生的，要么你的数据噪音很小，要么是评论中提到的场景时钟。在

对于分类器的导入，您可以pickle它（用pickle模块将其保存为一个二进制文件，然后在需要时加载它并对新数据使用clf.predict()方法

import pickle 

#Do the classification and name the fitted object clf
with open('clf.pickle', 'wb') as file :
    pickle.dump(clf,file,pickle.HIGHEST_PROTOCOL)

以后你可以加载它

^{pr2}$