机器学习，将训练模型应用于测试

Question

政治学研究生，他的头脑很过分（雄心勃勃，但正如他们所说的那样垃圾）。基本上，为了政治科学的目的，我试图对一组政治家进行吸引力预测。我关注了这个guide。

在提取了地标和生成特征后，我使用我的学习集（CFD，400 张带有评分的图像）作为模型预测评分，通过交叉验证将 0.49（对我的目的来说足够好）与实际评分相关。这是代码：

import numpy as np
from sklearn import decomposition
from sklearn import linear_model
features = np.loadtxt('C:\\Users\\bruker\\Desktop\\Data\\CFD_features.txt', delimiter=',')
ratings = np.loadtxt('C:\\Users\\bruker\\Desktop\\Data\\CFD_ratings.txt', delimiter=',')
predictions = np.zeros(ratings.size);

for i in range(0, 400):
    features_train = np.delete(features, i, 0)
    features_test = features[i, :]
    ratings_train = np.delete(ratings, i, 0)
    ratings_test = ratings[i]
    pca = decomposition.PCA(n_components=13)
    pca.fit(features_train)
    features_train = pca.transform(features_train)
    features_test = pca.transform(features_test)
    regr = linear_model.LinearRegression()
    regr.fit(features_train, ratings_train)
    predictions[i] = regr.predict(features_test)
    print 'number of models trained:', i+1

np.savetxt('C:\\Users\\bruker\\Desktop\\Data\\CFDN_cross_valid_predictions.txt', predictions, delimiter=',', fmt = '%.04f')

corr = np.corrcoef(predictions, ratings)[0, 1]
print corr

现在我有另一个 features.txt，其中包含政客的特征数据（142 张图片），我没有对其进行评分。我想要做的是使用由上述代码构建的训练集/模型来为我的政治家生成预测的吸引力评级，但我完全不知道如何进行。该指南对此保持沉默，可能是因为它适用于了解 Python 的人:)。我花了很多时间试图找出修改/构建此代码以实现它的方法，但是我缺乏 Python/一般编码知识使得它很难弄清楚。

鉴于此站点上的重要脑力和知识，我希望有人知道解决方案并可以帮助我。对我的无知深表歉意，并提前感谢您的帮助。

Answer 1

没有 for 循环，它变得非常简单。

import numpy as np
from sklearn import decomposition
from sklearn import linear_model

features_train = np.loadtxt('C:\\Users\\bruker\\Desktop\\Data\\CFD_features.txt', delimiter=',')
ratings_train = np.loadtxt('C:\\Users\\bruker\\Desktop\\Data\\CFD_ratings.txt', delimiter=',')

pca = decomposition.PCA(n_components=13)
pca.fit(features_train)
features_train = pca.transform(features_train)
regr = linear_model.LinearRegression()
regr.fit(features_train, ratings_train)

features_test = np.loadtxt('C:\\Users\\bruker\\Desktop\\Data\\CFD_features_Test.txt', delimiter=',')

features_test = pca.transform(features_test)
predictions = regr.predict(features_test)