如何解决“AttributeError: 'numpy.bool_' object has no attribute 'predict'”错误

问题根源 #

你保存的不是分类器模型本身，而是单次预测得到的布尔值结果（pred是post_pos>post_neg生成的numpy.bool_对象），这个对象根本没有predict方法，所以调用时会报错。

正确解决步骤 #

要实现对新数据的预测，你需要保存生成预测结果的核心模型组件，而不是单次结果，然后加载后重新执行预测逻辑：

1. 保存模型核心参数
   把计算预测需要的multivariate_normal_pos、multivariate_normal_neg、prior_pos、prior_neg打包保存：

   import pickle
   
   # 将模型核心组件打包为字典
   model_core = {
       "mv_pos": multivariate_normal_pos,
       "mv_neg": multivariate_normal_neg,
       "prior_pos": prior_pos,
       "prior_neg": prior_neg
   }
   
   # 保存模型组件
   pickle.dump(model_core, open('movie_classifier.pkl', 'wb'))
   

2. 加载模型并实现预测逻辑
   加载保存的组件后，重新编写预测函数来计算新数据的布尔结果：

   import pickle
   
   # 加载模型组件
   loaded_model = pickle.load(open('movie_classifier.pkl', 'rb'))
   
   # 定义预测函数
   def predict(data):
       likelihood_pos = loaded_model["mv_pos"].pdf(data)
       likelihood_neg = loaded_model["mv_neg"].pdf(data)
       post_pos = likelihood_pos * loaded_model["prior_pos"] / (likelihood_pos * loaded_model["prior_pos"] + likelihood_neg * loaded_model["prior_neg"])
       post_neg = likelihood_neg * loaded_model["prior_neg"] / (likelihood_neg * loaded_model["prior_neg"] + likelihood_pos * loaded_model["prior_pos"])
       return post_pos > post_neg
   
   # 测试用户数据
   test_data = [1, 20]
   result = predict(test_data)
   print(result)  # 输出布尔值True/False
   

3. 批量预测（可选）
   如果需要处理多组数据，直接遍历调用预测函数即可：

   test_datasets = [[1,20], [3,50], [5,10]]
   results = [predict(data) for data in test_datasets]
   print(results)  # 输出布尔值列表
   

内容的提问来源于stack exchange，提问作者Zerone