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

Biblioteket **scikit-learn** (`sklearn`) tilbyr verktøy for forhåndsprosessering og modellering. Hovedtypene av objekter er **estimator**, **transformer**, **predictor** og **model**.

## Estimator

Enhver klasse med `.fit()` er en estimator — den **lærer fra data**.

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

## Transformer

En transformer har `.fit()` og `.transform()`, samt `.fit_transform()` for å utføre begge samtidig.

Transformere brukes vanligvis til å transformere `X`-arrayet. Men som vi vil se i eksempelet med `LabelEncoder`, er noen transformere laget for `y`-arrayet.

Merk

`nan`-verdier vist i treningssettet på bildet indikerer manglende data i Python.

## Prediktor

En prediktor er en estimator med `.predict()` for å generere utdata.

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

## Modell

En modell er en prediktor med `.score()`, som evaluerer ytelsen.

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

Som nevnt i forrige kapittel, er **nøyaktighet** en metrikk som representerer prosentandelen korrekte prediksjoner.

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

**Forbehandlingsfasen** innebærer arbeid med transformere, og vi arbeider med prediktorer (mer spesifikt med modeller) i **modelleringsfasen**.

Maskinlæring brukes nå overalt. Vil du lære det selv? Dette kurset er en introduksjon til maskinlæring hvor du lærer grunnleggende konsepter, arbeider med Scikit-learn – det mest populære biblioteket for ML, og bygger ditt første maskinlæringsprosjekt.
Kurset er beregnet på studenter med grunnleggende kunnskaper i Python, Pandas og Numpy.

Lær om maskinlæringskonsepter og arbeidsflyten i et ML-prosjekt.

Forbehandling er sannsynligvis den viktigste fasen i et ML-prosjekt. Dette kapittelet dekker forbehandlingsstegene som trengs for nesten alle datasett.

En pipeline er en ryddig måte å kombinere alle forhåndsprosesseringssteg samt en modell. Pipeliner gjør det mye enklere å trene og bruke en modell.

Modellering er den mest spennende fasen i et ML-prosjekt. La oss lære å bygge, finjustere og evaluere modellen!

Scikit-learn-konsepter

Estimator

Transformer

Prediktor

Modell