随机梯度下降sklearn

sgd clf-linear_ model. SCDClassifier（）
sgd_clf. fit(X, Y)
sgd_clf.predict ([ [1, 2, 3, 4]])
array([2])
可以问问就是什么意思吗，输入数据是什么啊1234吗和输出结果是什么意思啊

predict 方法返回的是一个numpy数组，数组中包含的就是预测值。
你这个例子里
sgd_clf 预测数据点 [1, 2, 3, 4] 的标签是 2。

---

如果有帮助，请点击一下采纳该答案～谢谢

不知道你这个问题是否已经解决, 如果还没有解决的话:

• 帮你找了个相似的问题, 你可以看下: https://ask.csdn.net/questions/242332
• 我还给你找了一篇非常好的博客，你可以看看是否有帮助，链接：【机器学习】02. 使用sklearn库牛顿化、正则化的逻辑回归（代码简洁，思路推导）
• 你还可以看下sklearn参考手册中的 sklearn 一般建议
• 除此之外, 这篇博客: 手把手教你用sklearn做特征工程中的 在什么时候使用标准化比较好，什么时候区间缩放比较好呢？ 部分也许能够解决你的问题, 你可以仔细阅读以下内容或者直接跳转源博客中阅读:
  

  1、在后续的分类、聚类算法中，需要使用距离来度量相似性的时候、或者使用PCA、LDA这些需要用到协方差分析进行降维的时候，同时数据分布可以近似为正太分布，标准化方法(Z-score standardization)表现更好。
  2、在不涉及距离度量、协方差计算、数据不符合正太分布的时候，可以使用区间缩放法或其他归一化方法。比如图像处理中，将RGB图像转换为灰度图像后将其值限定在[0 255]的范围。

• 您还可以看一下 纪佳琪老师的机器学习之决策树理论与代码实践课程中的 使用Sklearn实现决策树并可视化小节, 巩固相关知识点
  

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^

帮你找了个相似的问题, 你可以看下: https://ask.csdn.net/questions/242332