libsvm прогнозирует путаницу в методах

У меня вопрос о методе svm_predict () в libsvm.

В README есть этот пример кода быстрого запуска:

>>> y, x = [1,-1], [{1:1, 3:1}, {1:-1,3:-1}]
>>> prob  = svm_problem(y, x)
>>> param = svm_parameter('-c 4 -b 1')
>>> m = svm_train(prob, param)

>>> p_label, p_acc, p_val = svm_predict(y, x, m)

Теперь я понимаю, что y - это список категорий, связанных со словарями в х. Я также понимаю часть svm_train.

Часть, которая не имеет смысла, заключается в том, что в svm_predict я должен предоставить «истинные значения» из y вместе с тестовыми данными в x. Я думал, что идея заключалась в том, что я не знаю классификацию тестовых данных заранее.

если мои обучающие данные:

y = [1, 2, 3]
x = [{1:1}, {1:10}, {1:20}]

, но мои тестовые данные:

z = [{1:4}, {1:12}, {1:19}]

Тогда почему я должен передавать true значения z в svm_predict (), например:

a, b, c = svm_predict(y, z, m)

Я не собираюсь знать истинные значения z - для этого и предназначен прогноз. Должен ли я просто поставить произвольные значения классификации для y при выполнении прогноза, или мне что-то совсем не хватает?

Всем спасибо