使用Scikit学习，基本思想（例如回归）是在拟合模型后给定数据向量"x"预测一些"y" . 典型的代码看起来像这样（改编自here）：
from sklearn.svm import SVR
import numpy as np
n_samples, n_features = 10, 5
np.random.seed(0)
y = np.random.randn(n_samples)
X = np.random.randn(n_samples, n_features)
clf = SVR(C=1.0, epsilon=0.2)
clf.fit(X[:-1], y[:-1])
prediction = clf.predict(X[-1])
print 'prediction:', prediction[0]
print 'actual:', y[-1]
我的问题是：是否可以在给定“x”和“y”的情况下拟合某些模型（可能不是SVR），然后在给定“y”的情况下预测“x” . 换句话说，这样的事情：
clf = someCLF()
clf.fit(x[:-1], y[:-1])
prediction = clf.predict(y[-1])
#where predict would return the data vector that could produce y[-1]
2 回答
没有 . 有许多向量（X）可能导致相同的结果（Y），反之亦然 .
如果您需要预测在开始时用作X的数据，您可能会考虑更改X和Y.
在scikit中不可能，没有 .
你问的是x和y的生成或联合模型 . 如果您拟合这样的模型，则可以对分布p（x，y）或条件分布p（x | y）或p（y | x）中的任一个进行推断 . 朴素贝叶斯是最受欢迎的生成模型，但你不能用scikit的版本进行上述推断 . 除了微不足道的问题之外，它还会产生糟糕的估计 . 在给出其余变量的情况下，拟合好的连接模型要比一个变量的条件模型困难得多 .