本文共 1099 字，大约阅读时间需要 3 分钟。

一，转换器

1，转换器的几种形式

我们把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

• fit_transform
• fit
• transform

2，转换器几种形式的区别

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.]])

从中可以看出，fit_transform的作用相当于transform加上fit。但是为什么还要提供单独的fit呢, 我们还是使用原来的std2来进行标准化看看

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.]])

二， 估计器(sklearn机器学习算法的实现)

1，API

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

2，估计器工作流程

转载地址：http://lsili.baihongyu.com/