机器学习之转换器与预估器，一些概念、API，超级详细！！

转换器- 特征工程的父类

前言

特征工程中的步骤

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

特征工程的接口称之为转换器，转换器调用的几种形式如下：

​ ( x - mean ) / std

​ x : 特征

​ mean: 该列的平均值

​ std : 标准差

• fit_transform()
• fit() #计算每一列的平均值和标准差
• transform() #利用fit()的结果进行 ( x - mean ) / std 的最终转换

估计器(sklearn机器学习算法的实现)

估计器介绍

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

1. 用于分类的估计器：

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

   将训练集的特征值和目标值传进来，然后进行训练 -->调用完毕，模型生成

3. 模型评估

   1. 直接对比真实值和预测值

   ​ y_predict = estimator.predict( x_test )

   ​ 进行比对： y_test == y_predict ----> 生成布尔值，看true的多少

   2. 计算准确率

   ​ accuracy = estimator.score(x_test , y_test) 将测试集的特征值和目标值传入，进行比较