目標

知道sklearn的轉換器和估計器流程

轉換器

想一下之前做的特征工程的步驟？

• 實例化 (實例化的是一個轉換器類(Transformer))

• 調用fit_transform(對于文檔建立分類詞頻矩陣，不能同時調用)

把特征工程的接口稱之為轉換器，其中轉換器調用有這么幾種形式

• fit_transform

• fit

• transform

這幾個方法之間的區(qū)別是什么呢？看以下代碼就清楚了

In [1]: from sklearn.preprocessing import StandardScalerIn [2]: std1 = StandardScaler()In [3]: a = [[1,2,3], [4,5,6]]In [4]: std1.fit_transform(a) Out[4]: array([[-1., -1., -1.],[ 1., 1., 1.]])In [5]: std2 = StandardScaler()In [6]: std2.fit(a) Out[6]: StandardScaler(copy=True, with_mean=True, with_std=True)In [7]: std2.transform(a) Out[7]: array([[-1., -1., -1.],[ 1., 1., 1.]])

從中可以看出，fit_transform的作用相當于transform加上fit。但是為什么還要提供單獨的fit呢，還是使用原來的std2來進行標準化看看。以a的平均值和標準差去轉換b

In [8]: b = [[7,8,9], [10, 11, 12]]In [9]: std2.transform(b) Out[9]: array([[3., 3., 3.],[5., 5., 5.]])In [10]: std2.fit_transform(b) Out[10]: array([[-1., -1., -1.],[ 1., 1., 1.]])

估計器(sklearn機器學習算法的實現(xiàn))

在sklearn中，估計器(estimator)是一個重要的角色，是一類實現(xiàn)了算法的API

• 用于分類的估計器：

  • sklearn.neighbors k-近鄰算法

  • sklearn.naive_bayes 貝葉斯

  • sklearn.linear_model.LogisticRegression 邏輯回歸

  • sklearn.tree 決策樹與隨機森林

• 用于回歸的估計器：

  • sklearn.linear_model.LinearRegression 線性回歸

  • sklearn.linear_model.Ridge 嶺回歸

• 用于無監(jiān)督學習的估計器

  • sklearn.cluster.KMeans 聚類

估計器工作流程

總結

以上是生活随笔為你收集整理的【机器学习】分类算法-sklearn转换器和估计器的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。