Sklearn机器学习中fit，transform, fit_transform的区别

一、简介

机器学习是从大量的数据中学习到相关的规律和逻辑，然后利用他们来预测未知的事物。它通过学习模拟人类的学习行为，能够自身组织和整理已学习到的知识，并在应用中不断地完善自身缺陷。

二、机器学习的步骤

• 获取数据
• 数据处理
• 特征工程 -- 标准化
• 机器学习
• 模型评估

三、fit、transform、fit_transform的区别

其实，fit、transform没有任何的关系，他们仅仅是数据处理的两个不同的环节，而fit_transform是融合了fit和transform，让开发人员更加便捷，代码更加高效。

sklearn封装了各种算法，在使用特征工程时，我们都要对训练集和测试集进行相同的标准化或者归一化处理，使数据更加集中，达到训练的更好结果。

fit原义是指安装、使适合的意思，其实有train的含义，但是和train不同，它并不是一个训练的过程，而是一个适配的过程，过程都是确定的，最后得到一个可用于转换的有价值的信息。

fit(): Method calculates the parameters μ and σ and saves them as internal objects.

解释：简单来说，就是求得训练集X的均值，方差，最大值，最小值,这些训练集X固有的属性。

transform(): Method using these calculated parameters apply the transformation to a particular dataset.

解释：在fit的基础上，进行标准化，降维，归一化等操作（看具体用的是哪个工具，如PCA，StandardScaler等）。

fit_transform(): joins the fit() and transform() method for transformation of dataset.

解释：fit_transform是fit和transform的组合，既包括了训练又包含了转换。 transform()和fit_transform()二者的功能都是对数据进行某种统一处理（比如标准化~N(0,1)，将数据缩放(映射)到某个固定区间，归一化，正则化等）

fit_transform(trainData)对部分数据先拟合fit，找到该part的整体指标，如均值、方差、最大值最小值等等（根据具体转换的目的），然后对该trainData进行转换transform，从而实现数据的标准化、归一化等等。

根据对之前部分trainData进行fit的整体指标，对剩余的数据（testData）使用同样的均值、方差、最大最小值等指标进行转换transform(testData)，从而保证train、test处理方式相同。

用法如下：

 # 数据标准化处理
std_x = preprocessing.StandardScaler()
x_train = std_x.fit_transform(x_train)
x_test = std_x.transform(x_test)
复制代码

• 在程序中，必须先用fit_transform(x_train)
• 如果fit_transfrom(trainData)后，使用fit_transform(testData)而不transform(testData)，虽然也能归一化，但是两个结果不是在同一个“标准”下的，具有明显差异。(一定要避免这种情况)