sklearn之转换器和估计器

sklearn之转换器和估计器

• 转换器
• 估计器(sklearn机器学习算法的实现)

转换器

想一下之前做的特征工程的步骤？

1. 实例化(实例化的是一个转换器类(Transformer)——特征工程的父类)
2. 调用 fit_transform (对于文档建立分类词频矩阵，不能同时调用)

我们把特征工程的接口称之为转换器，其中转换器调用有这么几种形式（以标准化为例进行说明）

• fit_transform
• fit —— 计算 每一列的平均值、标准差
• transform —— 公式的带入进行最终转换

估计器(sklearn机器学习算法的实现)

在sklearn中，估计器(estimator)是一个重要的角色，是一类实现了算法的API

1. 用于分类的估计器：
   • sklearn.neighbors k-近邻算法
   • sklearn.nalve_bayes 贝叶斯
   • slearn.linear_model.LogisticRegression 逻辑回归
   • sklearn.tree 决策树与随机森林
2. 用于回归的估计器：
   • sklearn.linear_model.LinearRegression 线性回归
   • sklearn.linear_model.Ridge 岭回归
3. 用于无监督学习的估计器
   • sklearn.cluster.KMeans 聚类

估计器工作流程

1. 实例化一个estimator
2. estimator,fit(x_train,y_train)计算
   • 调用完毕，模型生成
3. 模型评估：
   1. 直接比对真实值和预测值
      • y_predict= estimator.predict(x_test)
      • y_test== y_predict
   2. 计算准确率
      accuracy = estimator.score(x_test, y_test)