如何从golearn模型获取预测结果？含单样本预测与模型保存需求

1. 单行无标签数据预测实现 #

基于官方KNN Iris示例，要实现单行数据预测，核心是将输入字符串转换为GoLearn兼容的Dataset结构，确保特征维度、类型与训练集完全匹配，再调用模型的Predict方法。

修改后的完整示例代码 #

package main

import (
	"log"
	"os"
	"strconv"
	"strings"

	"github.com/sjwhitworth/golearn/base"
	"github.com/sjwhitworth/golearn/evaluation"
	"github.com/sjwhitworth/golearn/knn"
)

func main() {
	// 加载Iris数据集（与官方示例一致）
	rawData, err := base.ParseCSVToInstances("iris.csv", true)
	if err != nil {
		log.Fatal(err)
	}

	// 初始化KNN分类器（与官方示例一致）
	cls := knn.NewKnnClassifier("euclidean", "linear", 2)

	// 划分训练集和测试集（与官方示例一致）
	trainData, testData := base.InstancesTrainTestSplit(rawData, 0.70)
	cls.Fit(trainData)

	// 官方示例的准确率评估（保留）
	predictions, err := cls.Predict(testData)
	if err != nil {
		log.Fatal(err)
	}
	confusionMat, err := evaluation.GetConfusionMatrix(testData, predictions)
	if err != nil {
		log.Fatal("Unable to get confusion matrix", err)
	}
	log.Println(evaluation.GetSummary(confusionMat))

	// -------------------------- 新增：单行数据预测 --------------------------
	// 输入的无标签单行数据
	inputStr := "5.0,3.6,1.4,0.2"
	// 分割字符串为浮点型特征数组
	featureStrs := strings.Split(inputStr, ",")
	var floatFeatures []float64
	for _, s := range featureStrs {
		val, err := strconv.ParseFloat(s, 64)
		if err != nil {
			log.Fatal("解析输入数据失败:", err)
		}
		floatFeatures = append(floatFeatures, val)
	}

	// 创建与训练集结构一致的空Dataset
	predData := base.NewInstancesDataset()
	// 添加和训练集完全相同的特征属性（顺序不能错）
	predData.AddAttribute(base.NewFloatAttribute("sepal length"))
	predData.AddAttribute(base.NewFloatAttribute("sepal width"))
	predData.AddAttribute(base.NewFloatAttribute("petal length"))
	predData.AddAttribute(base.NewFloatAttribute("petal width"))
	predData.AddAttribute(base.NewCategoricalAttribute("class")) // 必须包含标签属性

	// 创建无标签实例（标签值临时设为0.0，预测会覆盖）
	inst := base.NewDenseInstance(0.0)
	for idx, val := range floatFeatures {
		inst.Set(idx, val)
	}
	// 将实例加入Dataset
	predData.AddInstance(inst)

	// 执行预测
	singlePred, err := cls.Predict(predData)
	if err != nil {
		log.Fatal("预测失败:", err)
	}
	// 获取预测结果（索引0对应第一个实例的标签）
	predLabel := singlePred.Get(0, 0)
	log.Printf("输入数据 [%s] 的预测类别: %s\n", inputStr, predLabel)
}

关键注意点 #

• 预测用的Dataset属性顺序、类型必须和训练集完全一致，否则会出现维度不匹配或类型错误。
• 无标签实例的标签值可临时设为任意值，预测时模型会忽略原始标签，输出计算后的预测结果。

2. 模型保存与加载（避免重复训练） #

GoLearn的多数模型（包括KnnClassifier）实现了gob序列化接口，可直接将模型序列化到文件，下次使用时加载即可，无需重新训练。

新增模型保存与加载的代码片段 #

在上述代码基础上，添加以下逻辑：

import "encoding/gob" // 需要新增这个导入

// -------------------------- 新增：模型保存 --------------------------
// 创建模型文件
modelFile, err := os.Create("knn_iris_model.gob")
if err != nil {
	log.Fatal("创建模型文件失败:", err)
}
defer modelFile.Close()

// 使用gob序列化模型
encoder := gob.NewEncoder(modelFile)
err = encoder.Encode(cls)
if err != nil {
	log.Fatal("保存模型失败:", err)
}
log.Println("模型已保存到 knn_iris_model.gob")

// -------------------------- 新增：模型加载与复用 --------------------------
// 初始化空的KNN分类器用于加载
loadedCls := &knn.KnnClassifier{}
// 打开模型文件
loadedFile, err := os.Open("knn_iris_model.gob")
if err != nil {
	log.Fatal("打开模型文件失败:", err)
}
defer loadedFile.Close()

// 反序列化模型
decoder := gob.NewDecoder(loadedFile)
err = decoder.Decode(loadedCls)
if err != nil {
	log.Fatal("加载模型失败:", err)
}
log.Println("模型加载完成，可直接用于预测")

// 用加载后的模型预测单行数据
reusePred, err := loadedCls.Predict(predData)
if err != nil {
	log.Fatal("复用模型预测失败:", err)
}
reusePredLabel := reusePred.Get(0, 0)
log.Printf("加载模型后预测类别: %s\n", reusePredLabel)

关键注意点 #

• 加载模型时，必须初始化与原模型类型完全一致的空实例（如&knn.KnnClassifier{}），否则反序列化会失败。
• 模型文件会保存所有训练状态，包括KNN的邻居数量、距离计算方式等，加载后无需重新配置参数。

内容的提问来源于stack exchange，提问作者vinniyo