Статья Автор: Деникина Н.В., Деникин А.В.

Три главных метода работы с моделью: Метод 2. predict() - Предсказание

Метод 2: .predict() - Предсказание

model.predict(X_new) - "предскажи для этих данных"

Что происходит внутри
ШАГ 1: Получает новые значения X_new
ШАГ 2: Для каждого x вычисляет: y = k × x + b (использует ранее найденные k и b)
ШАГ 3: Возвращает массив предсказаний

⚠️ ВАЖНО: .predict() можно вызвать ТОЛЬКО после .fit()!

import numpy as np
from sklearn.linear_model import LinearRegression

# Наши данные
X = np.array([[1], [2], [3], [4], [5]])  # Признаки (дни)
y = np.array([2, 4, 5, 4, 6])            # Целевая переменная (температура)

# Создаём модель
model = LinearRegression()

# ОБУЧАЕМ модель
model.fit(X, y)  # ← ВОТ ТУТ ПРОИСХОДИТ МАГИЯ!

print("\n" + "=" * 60)
print("ПРЕДСКАЗАНИЯ")
print("=" * 60)


# Предсказываем для ОБУЧАЮЩИХ данных
print("\n1. Предсказания для обучающих данных:")
predictions_train = model.predict(X)

for i in range(len(X)):
    print(f"   День {X[i][0]}: предсказание = {predictions_train[i]:.2f}, "
          f"реальность = {y[i]}, "
          f"ошибка = {abs(predictions_train[i] - y[i]):.2f}")

# Предсказываем для НОВЫХ данных
print("\n2. Предсказания для НОВЫХ данных:")
X_new = np.array([[6], [7], [10]])
predictions_new = model.predict(X_new)

for i in range(len(X_new)):
    print(f"   День {X_new[i][0]}: предсказание = {predictions_new[i]:.2f}")

# Можно предсказать одно значение
print("\n3. Предсказание для одного дня:")
day_15 = np.array([[15]])
prediction_15 = model.predict(day_15)
print(f"   День 15: предсказание = {prediction_15[0]:.2f}")

Печать