Summary  
Scikit-learn organizes its components into four class types—estimators, transformers, predictors, and models—each defined by specific methods (.fit, .transform, .predict, .score) to build and evaluate data pipelines.

General domain of usage  
Machine learning (data preprocessing and predictive modeling)

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

## Estimator

Mikä tahansa luokka, jossa on `.fit()`, on estimator — se **oppii datasta**.

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

## Transformer

Transformerilla 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

`nan`-arvot, jotka näkyvät harjoitusaineistossa kuvassa, 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 ilmaisee oikeiden ennusteiden prosenttiosuuden.

**Esikäsittely**vaiheessa työskennellään muuntimien kanssa, ja **mallinnus**vaiheessa käytetään ennustajia (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-learnin Käsitteet

Estimator

Transformer

Ennustaja

Malli

Scikit-learnin Käsitteet

Estimator

Transformer

Ennustaja

Malli