3.3.4　使用模型对新样本的分类进行预测

现在我们可以使用刚刚建好的模型对新的样本分类进行预测了，不过在这之前，可以先用测试数据集对模型进行打分，这就是我们创建测试数据集的目的。测试数据集并不参与建模，但是我们可以用模型对测试数据集进行分类，然后和测试数据集中的样本实际分类进行对比，看吻合度有多高。吻合度越高，模型的得分越高，说明模型的预测越准确，满分是1.0。

下面开始评分，在Jupyter Notebook中输入代码如下：

print('\n\n\n')
print('代码运行结果：')
print('==============================\n')
#打印模型的得分
print('测试数据集得分：{:.2f}'.format(knn.score(X_test, y_test)))
print('\n==============================')
print('\n\n\n')

运行代码，得到评分如图3-21所示。

图3-21　模型在测试数据集中的得分

【结果分析】我们看到，这个模型在预测测试数据集的样本分类上得分并不高，只有0.76，也就是说，模型对于新的样本数据做出正确分类预测的概率是76%。这个结果确实差强人意，不过我们只是用来演示K最近邻算法，所以可以先不用太纠结分数的问题。

下面假设我们得到了一瓶新的酒，它的特征变量值经测定如表3-1所列。

表3-1　对新酒测定的特征变量

现在我们用建好的模型对新酒做出分类预测，在Jupyter Notebook中输入代码如下：

运行代码，得到结果如图3-22所示。

图3-22　模型对于新酒数据进行的分类判断

【结果分析】模型把新酒的分类预测为class_2，虽然准确率只有76%，但对于我们的第一个机器学习的实战项目来说，还是相当不错的。