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)

La libreria **scikit-learn** (`sklearn`) offre strumenti per la pre-elaborazione e la modellazione dei dati. I suoi principali tipi di oggetti sono **estimator**, **transformer**, **predictor** e **model**.

## Estimator

Qualsiasi classe con `.fit()` è un estimator — apprendimento dai dati.

```python
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`.

Nota

I valori `nan` mostrati nel set di addestramento nell'immagine indicano dati mancanti in Python.

## Predittore

Un predittore è un stimatore con `.predict()` per generare output.

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

## Modello

Un modello è un predittore con `.score()`, che valuta le prestazioni.

```python
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** implica l'utilizzo di trasformatori, mentre si lavora con i predittori (più specificamente con i modelli) nella fase di **modellazione**.

Seleziona tutte le affermazioni corrette.

L'apprendimento automatico è ormai utilizzato ovunque. Vuoi impararlo anche tu? Questo corso è un'introduzione al mondo del machine learning per apprendere i concetti di base, lavorare con scikit-learn – la libreria più popolare per ML – e realizzare il tuo primo progetto di machine learning.
Questo corso è rivolto a studenti con conoscenze di base di Python, Pandas e Numpy.

Apprendere i concetti di Machine Learning e il flusso di lavoro di un progetto ML.

Il preprocessing è probabilmente la fase più importante di un progetto di ML. Questo capitolo tratta le fasi di preprocessing necessarie per quasi qualsiasi dataset.

Una pipeline è un modo ordinato per combinare tutti i passaggi di pre-elaborazione insieme a un modello. Le pipeline rendono molto più semplice addestrare e utilizzare un modello.

La modellazione è la fase più interessante di un progetto di ML. Impariamo a costruire, ottimizzare e valutare il modello!

Concetti di Scikit-learn

Estimator

Transformer

Predittore

Modello

Concetti di Scikit-learn

Estimator

Transformer

Predittore

Modello