Conceptos de Scikit-learn
La biblioteca scikit-learn (sklearn) proporciona herramientas para el preprocesamiento y modelado. Sus principales tipos de objetos son estimator, transformer, predictor y model.
Estimator
Cualquier clase con .fit() es un estimator — aprende a partir de los datos.
estimator.fit(X, y) # supervised
estimator.fit(X) # unsupervised
Transformer
Un transformer tiene .fit() y .transform(), además de .fit_transform() para realizar ambos procesos a la vez.
Los transformadores suelen utilizarse para transformar el arreglo X. Sin embargo, como veremos en el ejemplo de LabelEncoder, algunos transformadores están diseñados para el arreglo y.
Los valores nan que se muestran en el conjunto de entrenamiento en la imagen indican datos faltantes en Python.
Predictor
Un predictor es un estimador con .predict() para generar salidas.
predictor.fit(X, y)
predictor.predict(X_new)
Modelo
Un modelo es un predictor con .score(), que evalúa el rendimiento.
model.fit(X, y)
model.score(X, y)
Como se mencionó en el capítulo anterior, precisión es una métrica que representa el porcentaje de predicciones correctas.
La etapa de preprocesamiento implica trabajar con transformadores, y se trabaja con predictores (más específicamente con modelos) en la etapa de modelado.
¡Gracias por tus comentarios!
Pregunte a AI
Pregunte a AI
Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla
Can you explain the difference between a transformer and a predictor?
What are some examples of estimators in scikit-learn?
How is the .score() method used to evaluate a model?
Awesome!
Completion rate improved to 3.13Conceptos de Scikit-learn
Desliza para mostrar el menú
La biblioteca scikit-learn (sklearn) proporciona herramientas para el preprocesamiento y modelado. Sus principales tipos de objetos son estimator, transformer, predictor y model.
Estimator
Cualquier clase con .fit() es un estimator — aprende a partir de los datos.
estimator.fit(X, y) # supervised
estimator.fit(X) # unsupervised
Transformer
Un transformer tiene .fit() y .transform(), además de .fit_transform() para realizar ambos procesos a la vez.
Los transformadores suelen utilizarse para transformar el arreglo X. Sin embargo, como veremos en el ejemplo de LabelEncoder, algunos transformadores están diseñados para el arreglo y.
Los valores nan que se muestran en el conjunto de entrenamiento en la imagen indican datos faltantes en Python.
Predictor
Un predictor es un estimador con .predict() para generar salidas.
predictor.fit(X, y)
predictor.predict(X_new)
Modelo
Un modelo es un predictor con .score(), que evalúa el rendimiento.
model.fit(X, y)
model.score(X, y)
Como se mencionó en el capítulo anterior, precisión es una métrica que representa el porcentaje de predicciones correctas.
La etapa de preprocesamiento implica trabajar con transformadores, y se trabaja con predictores (más específicamente con modelos) en la etapa de modelado.
¡Gracias por tus comentarios!
