我在网上搜索时注意到关于这个主题的类似问题；然而，大多数答案都指向生成随机数据来解释解决方案的方法，而似乎没有解释我在Python、sklearn、LogisticRegression中试图理解的内容。
我正在学习和理解机器学习模型预测。我访问了Kaggle并下载了泰坦尼克号数据来尝试和构建一个生存预测模型。我成功构建了一个逻辑回归模型来训练我的模型并保存以备后用。
from sklearn.linear_model import LogisticRegressionX_train, X_test, y_train, y_test = train_test_split(data_train[['Sex', 'Pclass', 'Age','Relatives', 'Fare']], data_train.Survived, test_size=0.33, random_state=0)# print(X_train.shape)clf = LogisticRegression(random_state=0).fit(X_train, y_train)# save the model to disk with JobLibfilename = 'final_model_Joblib.sav'joblib.dump(clf, filename)现在我想在全新的泰坦尼克数据集上使用这个模型，尝试预测生存情况，而这些数据在新数据集中并不存在。
我该如何在没有生存数据的新泰坦尼克数据集上导入我的训练模型来进行预测，其中X_test和y_test代表我的新泰坦尼克数据？
# load the model from diskloaded_model = joblib.load(filename)result = loaded_model.score(X_test, y_test)print(result)回答：
嗯，训练模型的整个目的是为了在未见数据上进行预测，前提是训练数据和未见数据的特征和类别分布相同。一旦你使用joblib或pickle转储模型，它就会序列化模型（转换为Python字节流对象），如果你加载它，你将得到相同的对象。你可以根据sklearn文档使用loaded_model.predict(x)来查找未见数据上的类别预测，或者使用score函数来获取模型的准确性得分。欲了解更多信息，你可以查看这个 – https://www.geeksforgeeks.org/saving-a-machine-learning-model/。希望这能回答你的问题。
