机器学习实践（六）—sklearn之转换器和估计器

一、sklearn转换器

• 想一下之前做的特征工程的步骤？
  • 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)

• 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

  这几个方法之间的区别是什么呢？我们看以下代码就清楚了

• 示例代码

  from sklearn.preprocessing import StandardScaler
  
  # 创建一个标准差转换器
  transfer = StandardScaler()
  a = [[1,2,3],[4,5,6]]
  
  # 进行计算均值和标准差，并进行转换，计算均值和标准差的结果会保存在transfer对象中，之后用到均值或标准差都会从对象中直接提取，如果重新计算会重新保存。
  transfer.fit_transform(a)
  
  # 进行均值和标准差的计算，保存在transfer对象中，
  transfer.fit(a)
  
  # 进行转换
  transfer.transform(a)

二、sklearn估计器

在sklearn中，估计器(estimator)是机器学习算法的API，是进行机器学习的面向对象，它的内部能够像转换器那样自动地保存一些运算结果。

• 列举一些估计器

  • 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

• 估计器工作流程

  • 实例化一个估计器

    estimator = LNeighborsClassifier()

  • 传入训练数据集，进行机器训练

    estimator.fit(x_train,y_train)

  • 模型评估

    • 方法1. 比较真实值与预测值

      y_predict = estimator.predict(x_test)
      y_predict == y_test

    • 方法2. 计算模型准确率

      estimator.score(x_test,y_test)