我在尝试按照这个教程学习基于机器学习的预测，但我有两个问题？

问题1. 如何在下面的代码中设置n_estimators，否则它将始终使用默认值。

from sklearn.cross_validation import KFolddef run_cv(X,y,clf_class,**kwargs):# 构建一个kfolds对象kf = KFold(len(y),n_folds=5,shuffle=True)y_pred = y.copy()# 遍历折叠for train_index, test_index in kf:    X_train, X_test = X[train_index], X[test_index]    y_train = y[train_index]    # 使用关键字参数初始化分类器    clf = clf_class(**kwargs)    clf.fit(X_train,y_train)    y_pred[test_index] = clf.predict(X_test)return y_pred

它被调用的方式如下：

from sklearn.svm import SVC print "%.3f" % accuracy(y, run_cv(X,y,SVC))

问题2：如何使用已训练的模型文件（例如，从SVM获得的），以便我可以用它来预测更多（测试）数据，这些数据我在训练时没有使用过？

回答：

关于你的第一个问题，在上面的代码中，你可以这样调用run_cv(X,y,SVC,n_classifiers=100)，**kwargs会将此参数传递给分类器初始化步骤clf = clf_class(**kwargs)。

关于你的第二个问题，你链接的代码中的交叉验证只是用于模型评估，即比较不同类型的模型和超参数，并确定你的模型在生产中的可能效果。一旦你决定了你的模型，你需要在整个数据集上重新拟合模型：

clf.fit(X,y)

然后你可以使用clf.predict或clf.predict_proba来获取预测结果。