Summary  
This chapter explains scikit-learn’s core API objects—estimators (with fit), transformers (fit/transform), predictors (predict), and models (score)—and how they fit into a data preprocessing and modeling workflow.  

General domain of usage  
Machine learning pipelines

**scikit-learn** (`sklearn`) -kirjasto tarjoaa työkaluja esikäsittelyyn ja mallintamiseen. Sen pääasialliset objektityypit ovat **estimator**, **transformer**, **predictor** ja **model**.

## Estimator

Mikä tahansa luokka, jolla on `.fit()`, on estimator — se **oppiaineistosta**.

```python
estimator.fit(X, y)     # supervised  
estimator.fit(X)        # unsupervised
```

## Muunnin

Muuntimella on `.fit()` ja `.transform()`, sekä `.fit_transform()` joka suorittaa molemmat yhdellä kertaa.

Muuntimia käytetään yleensä muuttamaan `X`-taulukkoa. Kuitenkin, kuten näemme `LabelEncoder`-esimerkissä, jotkut muuntimet on tarkoitettu `y`-taulukolle.

Huomio

Kuvassa koulutusjoukossa näkyvät `nan`-arvot osoittavat puuttuvia tietoja Pythonissa.

## Ennustaja

Ennustaja on estimaattori, jolla on `.predict()`-metodi tulosten tuottamiseen.

```python
predictor.fit(X, y)
predictor.predict(X_new)
```

## Malli

Malli on ennustaja, jolla on `.score()`, joka arvioi suorituskykyä.

```python
model.fit(X, y)
model.score(X, y)
```

Kuten edellisessä luvussa mainittiin, **tarkkuus** on mittari, joka kuvaa oikeiden ennusteiden prosenttiosuutta.

`.fit()`, `.transform()`, `.fit_transform()`

**Esikäsittely**vaiheessa käytetään transformereita, ja **mallinnus**vaiheessa käytetään prediktoreita (tarkemmin sanottuna malleja).

Koneoppimista käytetään nykyään kaikkialla. Haluatko oppia sen itse? Tämä kurssi on johdatus koneoppimisen maailmaan, jossa opit peruskäsitteet, työskentelet Scikit-learnin – suosituimman ML-kirjaston – kanssa ja rakennat ensimmäisen koneoppimisprojektisi.
Kurssi on tarkoitettu opiskelijoille, joilla on perustiedot Pythonista, Pandasista ja Numpysta.

Koneoppimisen käsitteiden ja ML-projektin työnkulun oppiminen.

Esikäsittely on todennäköisesti tärkein vaihe ML-projektissa. Tämä luku käsittelee esikäsittelyvaiheet, joita tarvitaan lähes kaikissa aineistoissa.

Putkisto on kätevä tapa yhdistää kaikki esikäsittelyvaiheet sekä malli. Putkistot helpottavat huomattavasti mallin kouluttamista ja käyttöä.

Mallintaminen on ML-projektin viihdyttävin vaihe. Opitaan rakentamaan, hienosäätämään ja arvioimaan mallia!

Scikit-learn-konseptit

Estimator

Muunnin

Ennustaja

Malli