【机器学习-03】sklearn转换器和预估器

目录

一、转换器

二、估计器

一、转换器

用特征工程的父类，使用sklearn中的转换器可以较为简单地进行特征工程。

特征工程的步骤：

1、实例化一个转换器类（transformer） 

2、调用转换器类中的 fit_transform( ) 方法

例如:

字典特征提取：
transfer = DictVectorizer(sparse=False)
data_new = transfer.fit_transform(data)

文本特征提取：
transfer = CountVectorizer()
data_new = transfer.fit_transform(data)

transfer = TfidfVectorizer()
data_final = transfer.fit_transform(data_new)

归一化：
transform = MinMaxScaler() 
data_new = transform.fit_transform(data)

标准化：
transform = StandardScaler()
data_new = transform.fit_transform(data)

低方差特征过滤：
transform = VarianceThreshold(threshold=10)
data_new = transform.fit_transform(data)

主成分分析：
transform = PCA(n_components=2)
data_new = transform.fit_transform(data)

实际上 fit_transform（）是由fit（）和 transform（）封装而成。

fit（）主要进行计算。

transform（）主要进行最终的转换。

二、估计器

用于sklearn中各种机器学习算法的实现。

 模型训练的步骤：

1、实例化一个估计类（estimator）

2、调用估计类中的 fit（）方法，调用完成后模型就生成了

estimator.fit(x_train,y_train) 计算，生成模型

x_train：训练集的特征值     
y_train：训练集的目标值

3、模型评估

方法一：直接对比真实值和预测值

y_predict = estimator.predict(x_test)
y_test==y_predict   #将测试集中真实的目标值与预测的目标值比对，根据生成的bool值查看是否一致

y_predict：预测值,即模型的预测结果
x_test：测试集

方法二：计算准确率

accuracy = estimator.score(x_test,y_test)

x_test:测试集中的特征值
y_test:测试集中的目标值