如何用SKLearn训练好的线性回归模型实现新数据预测？

嘿，别担心，这个问题其实很容易搞定，我来给你拆解清楚步骤：

核心要点 #

训练好的regressor模型可以直接复用，关键是要让新数据的格式和训练时的输入完全一致——这是新手最容易踩的坑！

具体步骤 #

1. 准备新数据 #

假设你有10条新的卡路里摄入数据，比如：

new_calories = [180, 220, 280, 320, 380, 420, 450, 120, 160, 250]

2. 转换数据格式为二维数组 #

Sklearn的线性回归模型要求输入特征是二维数组，形状为(样本数量, 特征数量)。哪怕只有1个特征（这里是卡路里），也不能传一维列表，否则会报错。

你有两种方式转换：

• 用NumPy的reshape方法：

  import numpy as np
  new_calories_2d = np.array(new_calories).reshape(-1, 1)
  

• 不用NumPy，直接手动写成嵌套列表：

  new_calories_2d = [[val] for val in new_calories]
  

3. 用训练好的模型做预测 #

直接调用regressor.predict()方法传入处理好的二维数据即可：

# 生成预测结果
new_weight_predictions = regressor.predict(new_calories_2d)

# 可以把输入和预测结果对应起来打印，更直观
for cal, predicted_weight in zip(new_calories, new_weight_predictions):
    print(f"卡路里摄入: {cal} → 预测体重: {round(predicted_weight, 2)}")

额外提醒（重要！） #

如果你的训练数据之前做过标准化、归一化这类预处理（比如用StandardScaler或MinMaxScaler），那新数据必须用同一个预处理对象来转换，绝对不能重新拟合预处理工具！举个例子：

# 假设训练时的预处理代码是这样的
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
x_train_scaled = scaler.fit_transform(x_train)
regressor.fit(x_train_scaled, y_train)

# 那新数据要这样处理（用同一个scaler的transform方法，不是fit_transform！）
new_calories_scaled = scaler.transform(new_calories_2d)
new_weight_predictions = regressor.predict(new_calories_scaled)

这样就能得到准确的预测结果啦～

内容的提问来源于stack exchange，提问作者GuiltyVeek