sklearn之转换器和预估器

一、转换器

1. 实例化（实例化一个转换器类Transformer）
2. 调用fit_transform（对于文档建立分类词频矩阵，不能同时调用）

我们将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）

• fit_transform 包含以下两种方法，是fit和transform的整合
• fit 计算每一列的平均值、标准差
• transform 计算(x-mean)/std

二、估计器（sklearn机器算法的实现）

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

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

估计器的工作流程

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