有没有办法用scikitlearn“重新创建”数据？

Question

我的问题是关于用python学习scikit。 假设a有3个特征a、B和C，其中a和B能够预测C：

exampleModel.fit(AandB, C) 
exampleModel.predict(C) 

有没有一种方法可以让我输入一些C值，并获得实现该C值所需的a和B值？几乎是反向输入。如果有办法，怎么叫？（我已经搜索了很多信息，到现在为止，我还没有找到任何关于它的信息，如果我的问题已经存在的话，我很抱歉）

Answer 1

是的，有可能！你知道吗

但是你需要非常清楚你想要什么：A、B和C之间有什么关系-决定什么是合适的预测模型。你知道吗

你还需要意识到，不可能有一个“完美”的重建。A和B通常比C更丰富。除非它们非常有限（例如A和B之间的高度相关性），否则从AB到C时会丢失一些信息。这些信息无法恢复。你知道吗

这并不适用于所有模型，它对每个模型的工作方式都不同，并且它不是直接在sciketlearn中实现的。换句话说，你将不得不做一些手工工作，你需要知道你在做什么。特别是，您需要了解您正在使用的模型。没有顺其自然的解决办法。你知道吗

假设A和B是连续特征，C是离散的0或1。在这种情况下，合适的模型应该是分类器。我们进一步假设A和B对于不同的C很好地聚集在不同的blob中。在这种情况下，线性分类器可以工作。你知道吗

我将用Linear Discriminant Analysis提供一个示例。它的工作原理是将类中心线性投影到最有区别的方向。一般来说，我们需要逆转这种预测，但幸运的是，LDA暴露了原来的班级中心。为了从给定的C中得到原始特征的表示，我们只需要找到正确的类中心。你知道吗

import numpy as np
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt

np.random.seed(7)


def inverse_lda(lda, C):
    c = np.flatnonzero(model.classes_ == C)
    return model.means_[c]


AB, C = make_blobs(n_samples=333, n_features=2, centers=2)  # toy data
A, B = AB.T

plt.scatter(A, B, c=C, alpha=0.5)
plt.xlabel('A')
plt.ylabel('B')

model = LDA(store_covariance=True).fit(AB, C)

# reconstruct A and B for C=[0, 1]
ABout = inverse_lda(model, C=[0, 1])

plt.plot(ABout[0, 0], ABout[0, 1], 'o', label='C=0')
plt.plot(ABout[1, 0], ABout[1, 1], 'o', label='C=1')
plt.legend()