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`）ライブラリは、前処理およびモデリングのためのツールを提供。主なオブジェクトタイプは、**estimator**、**transformer**、**predictor**、**model**。

## Estimator

`.fit()` を持つクラスはすべて estimator — データから学習。

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

## トランスフォーマー

トランスフォーマーは `.fit()` と `.transform()` を持ち、両方を同時に行う `.fit_transform()` も備える。

トランスフォーマーは通常 `X` 配列の変換に使用される。ただし、`LabelEncoder` の例で示すように、一部のトランスフォーマーは `y` 配列用に作られている。

注意

図に示されているトレーニングセット内の`nan`値は、Pythonにおける欠損データを示す。

## 予測器

予測器は、出力を生成するための`.predict()`を持つ推定器。

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

## モデル

モデルは `.score()` を持つ予測器であり、パフォーマンスを評価します。

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

前の章で述べたように、**正解率** は正しい予測の割合を示す指標です。

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

**前処理**段階では変換器を使用し、**モデリング**段階では予測器（より具体的にはモデル）を使用。

機械学習は今やあらゆる場所で利用されています。自分で学びたいと思いませんか？このコースは、機械学習の世界への入門として、基本的な概念の習得、最も人気のあるMLライブラリであるScikit-learnの操作、そして最初の機械学習プロジェクトの構築を学ぶためのものです。
このコースは、Python、Pandas、Numpyの基礎知識を持つ学生を対象としています。

機械学習の概念とMLプロジェクトのワークフローについて学習します。

前処理は、MLプロジェクトにおいて最も重要な段階の一つです。本章では、ほぼすべてのデータセットに必要な前処理手順について解説します。

パイプラインは、すべての前処理ステップとモデルを組み合わせるための便利な方法です。パイプラインを使用することで、モデルの学習や利用がはるかに簡単になります。

モデリングはMLプロジェクトの中で最も楽しい段階です。モデルの構築、チューニング、評価方法を学びましょう。

Scikit-learnの概念

Estimator

トランスフォーマー

予測器

モデル