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)

De **scikit-learn** (`sklearn`) bibliotheek biedt hulpmiddelen voor preprocessing en modellering. De belangrijkste objecttypen zijn **estimator**, **transformer**, **predictor** en **model**.

## Estimator

Elke klasse met `.fit()` is een estimator — deze **leert van data**.

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

## Transformer

Een transformer heeft `.fit()` en `.transform()`, plus `.fit_transform()` om beide tegelijk uit te voeren.

Transformers worden meestal gebruikt om de `X`-array te transformeren. Zoals we echter zullen zien in het voorbeeld van `LabelEncoder`, zijn sommige transformers bedoeld voor de `y`-array.

Opmerking

`nan`-waarden die in de trainingsset op de afbeelding worden weergegeven, duiden op ontbrekende gegevens in Python.

## Predictor

Een predictor is een estimator met `.predict()` voor het genereren van uitkomsten.

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

## Model

Een model is een voorspeller met `.score()`, waarmee de prestaties worden geëvalueerd.

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

Zoals vermeld in het vorige hoofdstuk, is **nauwkeurigheid** een maatstaf die het percentage correcte voorspellingen weergeeft.

De **preprocessing**-fase omvat het werken met transformatoren, en tijdens de **modellering**-fase werken we met voorspellers (meer specifiek met modellen).

Machine learning wordt tegenwoordig overal toegepast. Wil je het zelf leren? Deze cursus is een introductie tot de wereld van machine learning waarin je basisconcepten leert, werkt met Scikit-learn – de populairste bibliotheek voor ML – en je eerste machine learning-project bouwt.
Deze cursus is bedoeld voor studenten met basiskennis van Python, Pandas en Numpy.

Leer de concepten van machine learning en de workflow van een ML-project.

Preprocessing is waarschijnlijk de belangrijkste fase van een ML-project. Dit hoofdstuk behandelt de preprocessing-stappen die nodig zijn voor vrijwel elke dataset.

Een pipeline is een overzichtelijke manier om alle preprocessingsstappen en een model te combineren. Pipelines maken het veel eenvoudiger om een model te trainen en te gebruiken.

Modellering is de meest interessante fase van een ML-project. Leer het model opbouwen, verfijnen en evalueren!

Scikit-learn-Concepten

Estimator

Transformer

Predictor

Model

Scikit-learn-Concepten

Estimator

Transformer

Predictor

Model