机器学习（四）sklearn转换器和估计器

机器学习（四）sklearn转换器和估计器

一. 转换器

这个其实之前的特征工程部分已经用到了，即，之前常用的fit_transform()方法

在特征工程当中，我们回顾一下我们是如何处理特征值的。通常，分为两个步骤：

• step1、实例化 (实例化的是一个转换器类(Transformer))

• step2、调用fit_transform(对于文档建立分类词频矩阵，不能同时调用)

但实际上，fit和transform是两个过程，sklearn当中也单独提供了这两个方法：

• fit：输入数据，但是不做任何事情
• transform：进行数据的转换
• fit_transform()：输入入数据直接转换

二.估计器

实际上，这个是一个数学概念，在百度当中的定义如下：

用来估计总体未知参数用的统计量。当经测定的具体数值(https://baike.baidu.com/item/数值)代入估计量时，它就是一个具体的数值，称为估计值，英文是estimator。

总之：估计器就是用来估计未知参数的，训练集以及测试集在经过估计器处理之后，就会输出结果精度，以及预测结果。

针对不同的算法，sklearn为我们提供了不同的估计器：

• 用于分类问题的估计器：

sklearn.neighbors # k-近邻算法
sklearn.naive_bayes  #贝叶斯
sklearn.linear_model.LogisticRegression # 逻辑回归

• 用于回归问题的估计器

sklearn.linear_model.LinearRegression #线性回归
sklearn.linear_model.Ridge # 岭回归