模型，奥力给！

史诗级的人类年度迁徙大戏又将要开始了，今天我们聊怎么使用模型。

这个话题，初看有点怪。

都说机器学习像下厨，洗菜、切菜、炒菜，三道工序过后，模型就训练好了，最后一步就是张嘴——这难道还值得专门讨论？

也许机器学习的教材们也都这么认为，介绍任何模型，总是噼里啪啦，把算法原理和怎么训练风风火火过了一遍，然后就结尾了。

“那么......训练好的模型，要怎么用呢？”

像是问了个难以启齿的私密问题，感觉羞愧不已。但愿我不是个例。回答倒也简单：怎么训练的，就怎么使用。

具体来说，训练机器模型，需要喂训练集的数据，首先把X喂进去，然后模型吐出预测值，最后用损失函数计算预测值与真实值Y（也就是参考答案）的偏差。以此反复，总要经历几轮纠结和挣扎。

啥时候完事呢？偏差达到最小化，模型就训练好了。

那回到最开始的问题，怎样使用训练好的模型呢？

也很简单，上面看出来了，模型无非就是一个喂点什么进去，然后就会吐点什么出来的玩意。只把要预测的X输入进去，当然照理吐出的预测值。

这就是模型的预测结果。

口说无凭，还是操家伙比划一下吧。

首先把数据集分成训练集和测试集，这里拿sklearn自带的波士顿房价数据集：

from sklearn import datasets
from sklearn.model_selection import train_test_split

X,y = datasets.load_boston(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y)

现在我们有了四套数据，依次是训练集X，测试集X，训练集Y和测试集Y。

记住，Y在机器学习里，都是代表有监督学习的参考答案，是要和模型的预测值比较的。

选一套模型吧。波士顿房价数据集是明码实价的回归问题，就选择用最最最基础的线性回归模型烹调好了。

首先是声明。线性回归模型在sklearn的linear_model包里，调用的方法类似生成类实例：

from sklearn import linear_model
reg = linear_model.LinearRegression()

这里什么参数都不设，裸奔。然后就可以使用训练集训练了，sklearn里统统叫fit：

model = reg.fit(X_train,y_train)

返回的model就是训练好的模型。对，就是这么简单。

现在，可以使用这个模型了。玩法有很多，第一种当然是让它吐预测结果：

model.predict(X_test)

这里把测试集X喂进去，吐出来的大概像这样：

array([20.14171686, 23.96847609, 31.97756866, 19.01703191, 23.34777506,
       25.20483101, 19.22534511, 13.58767032, 19.01416346, 22.40268024,
       29.26157126, 23.61935079, 32.37282478, 13.24846817, 18.09105386,
       18.45692334, 17.29880733, 26.26903481, 21.34707614, 19.1142124 
       ...])

养兵千日用兵一时，我们花这么长的时间训练模型，喂它这么多数据，为的就是它在真实环境吐这一下。

当然，既然叫测试集，自然知道参考答案，可以看看没进行数据清洗和参数调优的模型裸考能得多少分。考试方法如下：

model.score(X_test, y_test)

这里测的是R2，满分1分，最低0分。这次模型的得分是0.7668，算不上优秀，但好歹滚过及格线了，呵，大学生~

下次再聊。