predict是训练后返回预测结果，是标签值。

predict_proba返回的是一个 n 行 k 列的数组， 第 i 行 第 j 列上的数值是模型预测 第 i 个预测样本为某个标签的概率，并且每一行的概率和为1。

# conding :utf-8

from sklearn.linear_model import LogisticRegression

import numpy as np

x_train = np.array([[1,2,3],

[1,3,4],

[2,1,2],

[4,5,6],

[3,5,3],

[1,7,2]])

y_train = np.array([3, 3, 3, 2, 2, 2])

x_test = np.array([[2,2,2],

[3,2,6],

[1,7,4]])

clf = LogisticRegression()

clf.fit(x_train, y_train)

# 返回预测标签

print(clf.predict(x_test))

# [2 3 2]

# 返回预测属于某标签的概率

print(clf.predict_proba(x_test))

# [[0.56651809 0.43348191]

# [0.15598162 0.84401838]

# [0.86852502 0.13147498]]

# 分析结果：

# 预测[2,2,2]的标签是2的概率为0.56651809，3的概率为0.43348191

# 预测[3,2,6]的标签是2的概率为0.15598162，3的概率为0.84401838

# 预测[1,7,4]的标签是2的概率为0.86852502，3的概率为0.13147498

predict是训练后返回预测结果，是标签值。predict_proba返回的是一个n 行 k 列的数组，第 i 行 第 j 列上的数值是模型预测 第 i 个预测样本为某个标签的概率，并且每一行的概率和为1。# conding :utf-8from sklearn.linear_model import LogisticRegressionimport numpy as npx_train =... clf=KMeans(n_clusters=5) #创建分类器对象 fit_clf=clf.fit(X) #用训练器数据拟合分类器模型 clf. predict (X) #也可以给新数据数据对其预测 print(clf.cluster_centers_) #输出5个类的聚类 中 心 y_pred = clf.fit_ predict (X) #用训练器数据X拟合分类器模型并对训练器数据X进行预测 print(y_pred) #输出预测结果 补充知识：sklearn 中 调用某个机器学习模型model. predict (x)和model. predict_proba (x) 1.时间序列预测 时间序列预测，主要就是依靠过去和现在的数据，分析两者之间的关系，然后利用得到的这个关系去预测未来的数据。现在主要运用在股票和人口等的预测上。个人觉得时间序列预测与其他预测不同的，通常时间序列预测只有1维数据，所以很多机器学习方法不能直接使用。 此博文为翻译内容，原文点这里 在R语言 中 为了拟合一个线性回归模型，我们可以使用lm() 函数 。 函数 用法 如下： model <- lm(y ~ x1 + x2, data=df) 我们可以像下面这样用拟合得到的线性回归模型预测新数据的结果： predict (model, newdata = new) （这里使用了新的数据“new”，下文有具体的例子） 下面结合几个例子介绍在R语言 中 如何使用线性回归模型进行预测 例1：简单线性回归模型的预测 下面的代码展示了如何拟合简单