Concetti di Scikit-Learn
La libreria scikit-learn (sklearn) offre strumenti per la pre-elaborazione e la modellazione. I suoi principali tipi di oggetti sono estimator, transformer, predictor e model.
Estimator
Qualsiasi classe con .fit() è un estimator — apprende dai dati.
estimator.fit(X, y) # supervised
estimator.fit(X) # unsupervised
Transformer
Un transformer dispone di .fit() e .transform(), oltre a .fit_transform() per eseguire entrambe le operazioni contemporaneamente.
I trasformatori sono solitamente utilizzati per trasformare l'array X. Tuttavia, come vedremo nell'esempio di LabelEncoder, alcuni trasformatori sono progettati per l'array y.
I valori nan mostrati nel set di addestramento nell'immagine indicano dati mancanti in Python.
Predittore
Un predittore è un estimatore con .predict() per generare output.
predictor.fit(X, y)
predictor.predict(X_new)
Modello
Un modello è un predittore con .score(), che valuta le prestazioni.
model.fit(X, y)
model.score(X, y)
Come menzionato nel capitolo precedente, accuratezza è una metrica che rappresenta la percentuale di previsioni corrette.
La fase di preprocessing prevede l'utilizzo di trasformatori, mentre nella fase di modellazione si lavora con i predittori (più specificamente con i modelli).
Grazie per i tuoi commenti!
Chieda ad AI
Chieda ad AI
Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione
Fantastico!
Completion tasso migliorato a 4.55Concetti di Scikit-Learn
Scorri per mostrare il menu
La libreria scikit-learn (sklearn) offre strumenti per la pre-elaborazione e la modellazione. I suoi principali tipi di oggetti sono estimator, transformer, predictor e model.
Estimator
Qualsiasi classe con .fit() è un estimator — apprende dai dati.
estimator.fit(X, y) # supervised
estimator.fit(X) # unsupervised
Transformer
Un transformer dispone di .fit() e .transform(), oltre a .fit_transform() per eseguire entrambe le operazioni contemporaneamente.
I trasformatori sono solitamente utilizzati per trasformare l'array X. Tuttavia, come vedremo nell'esempio di LabelEncoder, alcuni trasformatori sono progettati per l'array y.
I valori nan mostrati nel set di addestramento nell'immagine indicano dati mancanti in Python.
Predittore
Un predittore è un estimatore con .predict() per generare output.
predictor.fit(X, y)
predictor.predict(X_new)
Modello
Un modello è un predittore con .score(), che valuta le prestazioni.
model.fit(X, y)
model.score(X, y)
Come menzionato nel capitolo precedente, accuratezza è una metrica che rappresenta la percentuale di previsioni corrette.
La fase di preprocessing prevede l'utilizzo di trasformatori, mentre nella fase di modellazione si lavora con i predittori (più specificamente con i modelli).
Grazie per i tuoi commenti!
