在Scikit Learn中，在保存的模型上测试未知数据时，如何获得预测准确性

Question

我有一个为二进制分类训练的模型，现在我想用它来预测未知的类元素。

     from sklearn.externals import joblib
     model = joblib.load('../model/randomForestModel.pkl')
     test_data = df_test.values # df_test is a dataframe with my test data
     output = model.predict(test_data[:,1:]) # this outputs the prediction either 1 or 0

我知道如何在给定训练数据集的情况下获得混淆矩阵、准确性核心、分类报告，但在这种情况下，我没有训练数据。我想从weka得到类似的东西：

       inst#     actual  predicted error prediction
           1        1:?        1:0       0.757 

在Scikit学习有可能吗？如果是，我该怎么做？

Answer 1

是的，这是完全可能的。

1） 当试图评估您训练的模型时，应该使用测试集。你所拥有的数据中的一个子集，你没有使用它来训练，以评估你的模型预测新值的能力。有了这个测试集，您就有了真实的值，所以您可以比较预测的结果。您可以简单地使用train_testrongplit包或cross_validation。

2） Scikit learn提供了不同的度量标准来评估模型。再一次，你应该在测试集上使用这个指标，而不是在训练集上。这可能导致虚假的好结果。

我看不出你有什么理由不知道训练内容。但你也可以使用模型的_score方法，你可以将其参数化为愿望（F1分数、回忆、精度）。

在weka中，我看不出误差预测是什么。你能解释一下吗？