Python中如何将Naive Bayes、SVM、RF、DT分类预测结果存为指定CSV

首先，我们需要把样本标识、真实值、各个分类器的预测值整合到一个结构化表格里，再导出成CSV文件。下面是针对你提到的Naive Bayes、SVM、RF、DT四个分类器的具体实现步骤：

1. 准备必要工具 #

先确保你安装了pandas（用来处理表格数据），如果没装可以在终端执行：

pip install pandas

然后导入需要的模块：

import pandas as pd
# 导入你用到的分类器（根据实际使用的子类调整，比如朴素贝叶斯也可能用MultinomialNB）
from sklearn.naive_bayes import GaussianNB
from sklearn.svm import SVC
from sklearn.ensemble import RandomForestClassifier
from sklearn.tree import DecisionTreeClassifier

2. 假设你已完成模型训练和数据准备 #

这里默认你已经做好了数据预处理、模型训练的工作，比如：

# 示例：X是所有样本的特征矩阵，y是对应真实标签
# 训练各个分类器
nb_clf = GaussianNB().fit(X_train, y_train)
svm_clf = SVC().fit(X_train, y_train)
rf_clf = RandomForestClassifier().fit(X_train, y_train)
dt_clf = DecisionTreeClassifier().fit(X_train, y_train)

# 获取所有样本的预测结果（如果只需要测试集，就把X换成X_test，y换成y_test）
y_pred_nb = nb_clf.predict(X)
y_pred_svm = svm_clf.predict(X)
y_pred_rf = rf_clf.predict(X)
y_pred_dt = dt_clf.predict(X)

3. 构建结果表格 #

用pandas.DataFrame来组织数据，确保列名清晰易懂：

# 生成样本标识：可以用从1开始的序号，也可以用数据集自带的样本ID列
sample_ids = range(1, len(y)+1)  # 若X是带自定义索引的DataFrame，可换成X.index

# 把所有数据整理成字典，每个键对应一列
result_data = {
    'Sample': sample_ids,
    'Actual value': y,
    'Naive Bayes Prediction': y_pred_nb,
    'SVM Prediction': y_pred_svm,
    'Random Forest Prediction': y_pred_rf,
    'Decision Tree Prediction': y_pred_dt
}

# 转换成DataFrame格式
result_df = pd.DataFrame(result_data)

4. 导出为CSV文件 #

用to_csv方法保存，设置index=False避免把DataFrame的默认索引写入文件：

# 保存到当前目录下的classifier_predictions.csv，可自定义路径和文件名
result_df.to_csv('classifier_predictions.csv', index=False, encoding='utf-8')

小提示 #

• 如果你的样本有专属ID（比如数据集里的sample_id列），直接把sample_ids换成该列数据即可，不用生成序号。
• 要是你需要保存分类器的预测概率而非类别标签，可以用predict_proba()方法替换predict()，然后把概率值存入表格（注意概率是二维数组，需要处理成单列或多列）。

内容的提问来源于stack exchange，提问作者Thyagaraj Gopi