一、sklearn轉換器

• 想一下之前做的特徵工程的步驟？

  • 1 例項化 (例項化的是一個轉換器類(Transformer))
  • 2 呼叫fit_transform(對於文件建立分類詞頻矩陣，不能同時呼叫)

• 我們把特徵工程的介面稱之為轉換器，其中轉換器呼叫有這麼幾種形式

  • fit_transform
  • fit
  • transform

  這幾個方法之間的區別是什麼呢？我們看以下程式碼就清楚了

• 示例程式碼

  from sklearn.preprocessing import
   
   StandardScaler
  
  # 建立一個標準差轉換器
  transfer = StandardScaler()
  a = [[1,2,3],[4,5,6]]
  
  # 進行計算均值和標準差，並進行轉換，計算均值和標準差的結果會儲存在transfer物件中，之後用到均值或標準差都會從物件中直接提取，如果重新計算會重新儲存。
  transfer.fit_transform(a)
  
  # 進行均值和標準差的計算，儲存在transfer物件中，
  transfer.fit(a)
  
  # 進行轉換
  transfer.transform(a)
  

二、sklearn估計器

在sklearn中，估計器(estimator)是機器學習演算法的API，是進行機器學習的面向物件，它的內部能夠像轉換器那樣自動地儲存一些運算結果。

• 列舉一些估計器

  • 1 用於分類的估計器：
    • sklearn.neighbors k-近鄰演算法
    • sklearn.naive_bayes 貝葉斯
    • sklearn.linear_model.LogisticRegression 邏輯迴歸
    • sklearn.tree 決策樹與隨機森林
  • 2 用於迴歸的估計器：
    • sklearn.linear_model.LinearRegression 線性迴歸
    • sklearn.linear_model.Ridge 嶺迴歸
  • 3 用於無監督學習的估計器
    • sklearn.cluster.KMeans 聚類

• 估計器工作流程

  • 例項化一個估計器

    estimator = LNeighborsClassifier()
    

  • 傳入訓練資料集，進行機器訓練

    estimator.fit(x_train,y_train)
    

  • 模型評估

    • 方法1. 比較真實值與預測值

      y_predict = estimator.predict(x_test)
      y_predict == y_test
      

    • 方法2. 計算模型準確率

      estimator.score(x_test,y_test)