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)

Biblioteket **scikit-learn** (`sklearn`) tillhandahåller verktyg för förbehandling och modellering. Dess huvudsakliga objekttyper är **estimator**, **transformer**, **predictor** och **model**.

## Estimator

Alla klasser med `.fit()` är en estimator — den **lär sig från data**.

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

## Transformer

En transformer har `.fit()` och `.transform()`, samt `.fit_transform()` för att utföra båda samtidigt.

Transformers används vanligtvis för att transformera `X`-arrayen. Dock, som vi kommer att se i exemplet med `LabelEncoder`, är vissa transformers avsedda för `y`-arrayen.

Observera

`nan`-värden som visas i träningsuppsättningen på bilden indikerar saknade data i Python.

## Prediktor

En prediktor är en estimator med `.predict()` för att generera utdata.

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

## Modell

En modell är en prediktor med `.score()`, som utvärderar prestanda.

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

Som nämnts i föregående kapitel är **noggrannhet** en metrisk som representerar andelen korrekta förutsägelser.

**Förbehandlings**steget innebär arbete med transformatorer, och vi arbetar med prediktorer (mer specifikt med modeller) i **modellerings**steget.

Maskininlärning används nu överallt. Vill du lära dig det själv? Denna kurs är en introduktion till maskininlärningens värld där du får lära dig grundläggande begrepp, arbeta med scikit-learn – det mest populära biblioteket för ML, och bygga ditt första maskininlärningsprojekt.
Kursen är avsedd för studenter med grundläggande kunskaper i Python, Pandas och Numpy.

Lär dig maskininlärningskoncept och arbetsflödet för ML-projekt.

Förbehandling är troligen det viktigaste steget i ett ML-projekt. Detta kapitel behandlar de förbehandlingssteg som krävs för nästan alla datamängder.

En pipeline är ett smidigt sätt att kombinera alla förbehandlingssteg samt en modell. Pipelines gör det mycket enklare att träna och använda en modell.

Modellering är det mest underhållande steget i ett ML-projekt. Lär dig att bygga, finjustera och utvärdera modellen!

Scikit-learn-Koncept

Scikit-learn-Koncept