Concepts de Scikit-Learn
La bibliothèque scikit-learn (sklearn) fournit des outils pour la prétraitement et la modélisation. Ses principaux types d’objets sont estimateur, transformateur, prédicteur et modèle.
Estimateur
Toute classe possédant .fit() est un estimateur — elle apprend à partir des données.
estimator.fit(X, y) # supervised
estimator.fit(X) # unsupervised
Transformateur
Un transformateur possède .fit() et .transform(), ainsi que .fit_transform() pour effectuer les deux opérations en une seule fois.
Les transformateurs sont généralement utilisés pour transformer le tableau X. Cependant, comme nous le verrons dans l'exemple de LabelEncoder, certains transformateurs sont conçus pour le tableau y.
Les valeurs nan affichées dans l'ensemble d'entraînement sur l'image indiquent des données manquantes en Python.
Prédicteur
Un prédicteur est un estimateur doté de .predict() pour générer des sorties.
predictor.fit(X, y)
predictor.predict(X_new)
Modèle
Un modèle est un prédicteur doté de .score(), qui évalue la performance.
model.fit(X, y)
model.score(X, y)
Comme mentionné dans le chapitre précédent, l’exactitude est une métrique représentant le pourcentage de prédictions correctes.
L’étape de prétraitement implique l’utilisation de transformateurs, tandis que l’on travaille avec des prédicteurs (plus précisément avec des modèles) lors de l’étape de modélisation.
Merci pour vos commentaires !
Demandez à l'IA
Demandez à l'IA
Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion
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 3.13Concepts de Scikit-Learn
Glissez pour afficher le menu
La bibliothèque scikit-learn (sklearn) fournit des outils pour la prétraitement et la modélisation. Ses principaux types d’objets sont estimateur, transformateur, prédicteur et modèle.
Estimateur
Toute classe possédant .fit() est un estimateur — elle apprend à partir des données.
estimator.fit(X, y) # supervised
estimator.fit(X) # unsupervised
Transformateur
Un transformateur possède .fit() et .transform(), ainsi que .fit_transform() pour effectuer les deux opérations en une seule fois.
Les transformateurs sont généralement utilisés pour transformer le tableau X. Cependant, comme nous le verrons dans l'exemple de LabelEncoder, certains transformateurs sont conçus pour le tableau y.
Les valeurs nan affichées dans l'ensemble d'entraînement sur l'image indiquent des données manquantes en Python.
Prédicteur
Un prédicteur est un estimateur doté de .predict() pour générer des sorties.
predictor.fit(X, y)
predictor.predict(X_new)
Modèle
Un modèle est un prédicteur doté de .score(), qui évalue la performance.
model.fit(X, y)
model.score(X, y)
Comme mentionné dans le chapitre précédent, l’exactitude est une métrique représentant le pourcentage de prédictions correctes.
L’étape de prétraitement implique l’utilisation de transformateurs, tandis que l’on travaille avec des prédicteurs (plus précisément avec des modèles) lors de l’étape de modélisation.
Merci pour vos commentaires !
