Summary  
This chapter demonstrates how to append a final estimator to a preprocessing pipeline—allowing preprocessing and prediction in one call—and explains why using .transform() (rather than .fit_transform() on new data) is critical for consistent feature encoding.  

General domain of usage  
Machine learning predictive modeling

`Pipeline`は以前は**前処理**のために使用されていましたが、本来の目的は前処理と**最終予測器**を連結することです。パイプラインの最後のステップには、予測を生成する任意の推定器（通常はモデル）を配置できます。

`.fit()`を呼び出すと、各トランスフォーマーは`.fit_transform()`を実行します。
`.predict()`を呼び出すと、パイプラインはデータを最終推定器に渡す前に`.transform()`を使用します。
これは、**新しいデータがトレーニングデータとまったく同じように変換される必要があるため**に必須です。

注意

## なぜ`.transform()`なのか？

新しいデータに対して`.fit_transform()`を使用すると、エンコーディング（例：`OneHotEncoder`）が変更され、列の不一致や信頼性の低い予測が発生する可能性があります。
`.transform()`は**一貫した前処理**を保証し、未知のカテゴリを無視し、同じ列順を維持します。

ワンホットエンコードされた訓練データの例:

予測対象となる新しいインスタンス:

`.fit_transform()` を**新しいインスタンス**に適用すると、`OneHotEncoder` が異なる順序でカラムを生成したり、新しいカラムを追加したりする可能性があります。これにより、新しいデータが訓練セットと**一貫性のない変換**を受け、予測が**信頼できなくなります**。


しかし、`.transform()` を使用することで、新しいデータが **トレーニングデータとまったく同じように** エンコードされ、トレーニング時に存在しなかったカテゴリは無視されます。

## 最終推定器の追加

モデルをパイプラインの**最後のステップ**として追加します。

```python
pipe = make_pipeline(
    ct,
    SimpleImputer(strategy='most_frequent'),
    StandardScaler(),
    KNeighborsClassifier()
)
pipe.fit(X, y)
pipe.predict(X_new)
```

これにより、前処理と予測を一度の呼び出しで実行できます。

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。

ファイナル推定器

なぜ.transform()なのか？

最終推定器の追加

なぜ`.transform()`なのか？