sklearn 知识点总结

sklearn 是一个功能强大的机器学习库，在本篇博文中，博主将记录自己在使用sklearn中的一些问题，思考

1. sklearn中的fit与transform

在sklearn中经常可见 ：

1. fit():计算数据的参数，\mu（均值），\sigma（标准差），并存储在对象中（例如实例化的CountVectorizer()等）。

2. transform():将这些参数应用到数据集，进行标准化（尺度化）。

3. fit_transform()：将前两种方法合并，fit + transform，然后对数据集使用。

    test数据集只使用transfrom() 使得分布符合训练集
   

2.sklearn中的缺失值处理方法

Sklearn Impute SimpleImputer 处理缺失值

示例：

from sklearn.impute import SimpleImputer #导入模块
imp_mean=SimpleImputer(missing_values=np.nan,strategy='mean')  #实例化，均值填充
imp_mean=imp_mean.fit_transform(age)     #fit_transform一步完成调取结果