机器学习之sklearn转换器和估计器

转换器

之前做特征工程的步骤：

• 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）
  将特征工程的接口称为转换器，其中转换器调用有这么几种形式：
• fit_transform
  -fit
• transform
  例如：在标准化中调用fit_tranform过程中方式生了什么？
  fit_transform（）
        fit（）---------计算每一列的平均值和标准差。
        transform（）------------（x-mean）/σ,进行最终的转换。

from sklearn.preprocessing import StandardScaler

std1 = StandardScaler ()
a = [[1,2,3],[4,5,6]]
array1 = std1.fit_transform(a)
print("fit_transform():\n",array1)
array2 = std1.fit(a)
print("fit():\n",array2)
array3 = std1.transform(a)
print("transform():\n",array3)

估计器（Sklearn机器学习算法的实现）

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

• 用于分类的估计器：
  sklearn.neighbors--------------k-近邻
  sklearn.naive_bayes-----------贝叶斯
  sklearn.linear_model.logistic------------逻辑回归
  sklearn.tree---------决策树和随机森林
• -用于回归的估计器
  线性回归
  岭回归
• 用于无监督学习的估计器
  sklearn.cluster.k_means_ ---------聚类
  估计器的工作流程：
  

1. 实例化一个estimator
2. estimator.fit(x_train,x_test)计算
   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)
y_test = y_predict
   (2)计算准确率：
   accuracy = estimator.score(x_test,y_test)