标签：fit predict 模型 接口 估计 estimator model 数据 sklearn

sklearn 估计器(estimator)接口的简单介绍

Scikit-learn 努力在为所有方法建立统一的接口。给定名为model的 scikit-learn 估计器对象，可以使用以下方法（并非每个模型都有）：

1. 适用于所有估计器

• model.fit()：拟合训练数据。对于监督学习应用，它接受两个参数：数据X和标签y（例如model.fit(X, y)）。对于无监督学习应用，fit仅接受单个参数，即数据X（例如model.fit(X)）。

2. 在监督估计器中使用

• model.predict()：给定训练好的模型，预测一组新数据的标签。此方法接受一个参数，即新数据X_new（例如model.predict(X_new)），并返回数组中每个对象的习得标签。
• model.predict_proba()：对于分类问题，一些估计器也提供此方法，该方法返回新观测值具有每个分类标签的概率。在这种情况下，model.predict()返回概率最高的标签。
• model.decision_function()：对于分类问题，一些估计器提供不是概率的不确定性估计。对于二分类，decision_function >= 0表示将预测为正类，而<0表示负类。
• model.score()：对于分类或回归问题，大多数估计器实现了score方法。分数在 0 到 1 之间，分数越大表示拟合越好。对于分类器，分数方法计算预测的准确度。对于回归器，得分计算预测的确定系数（R^2）。
• model.transform()：对于特征选择算法，这会将数据集缩减为所选特征。对于某些分类和回归模型（如某些线性模型和随机森林），此方法可将数据集缩减为信息量最大的特征。因此，这些分类和回归模型也可以用作特征选择方法。

3. 在无监督的估算器中使用

• model.transform()：给定一个无监督的模型，将新数据转换为新的基。这也接受一个参数X_new，并根据无监督模型返回数据的新表示。
• model.fit_transform()：一些估计器实现了这个方法，它可以更有效地对相同的输入数据执行拟合和变换。
• model.predict()：对于聚类算法，predict方法将为新数据点生成簇标签。并非所有聚类方法都具有此函数。
• model.predict_proba()：高斯混合模型（GMM）提供给定混合成分生成每个点的概率。
• model.score()：像 KDE 和 GMM这 样的密度模型，提供了数据在模型下的似然。

除了fit之外，两个最重要的函数是produce，它产生目标变量（y），以及transform，它产生数据的新表示（X）。 下表展示了不同函数适用于哪种的模型：

标签：fit,predict,模型,接口,估计,estimator,model,数据,sklearn
来源： https://www.cnblogs.com/HandsomeToDeath/p/15503043.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。