在投入生产使用之前，我们需要测试上面创建的分类器。如果测试表明模型不符合期望的精度，我们将不得不返回上述过程，选择另一组特征(数据字段)，再次构建模型并进行测试。这将是一个迭代步骤，直到分类器满足您的所需精度要求为止。因此，让我们测试分类器。

预测测试数据

为了测试分类器，我们使用在较早阶段生成的测试数据。我们在创建的对象上调用预报方法，并传递测试数据的X数组，如以下命令所示-

In [24]: predicted_y = classifier.predict(X_test)

这将为整个训练数据集生成一维数组，从而为X数组中的每一行提供预测。您可以使用以下命令检查此数组-

In [25]: predicted_y

以下是执行以上两个命令后的输出-

Out[25]: array([0, 0, 0, ..., 0, 0, 0])

输出表明前三个客户不是定期存款的潜在候选人。您可以检查整个阵列以找出潜在客户。为此，请使用以下Python代码段-

In [26]: for x in range(len(predicted_y)):
   if (predicted_y[x] == 1):
      print(x, end="\t")

运行上面的代码的输出如下所示-

输出显示所有可能预订TD的行的索引。现在，您可以将此输出提供给银行的营销团队，该团队将为选定行中的每个客户选择详细联系信息，然后继续他们的工作。

在将此模型投入生产之前，我们需要验证预测的准确性。

验证准确性

要测试模型的准确性，请在分类器上使用评分方法，如下所示-

In [27]: print('Accuracy: {:.2f}'.format(classifier.score(X_test, Y_test)))

运行此命令的屏幕输出如下所示-

Accuracy: 0.90

它表明我们模型的精度为90％，在大多数应用中被认为是非常好的。因此，不需要进一步的调整。现在，我们的客户已准备好进行下一个广告系列，获取潜在客户列表，并追逐他们以可能的高成功率打开TD。