Поняття Scikit-learn
Бібліотека scikit-learn (імпортується як sklearn) надає різноманітні функції та класи для попередньої обробки даних і моделювання. Основними об'єктами sklearn є естіматор, трансформер, предиктор та модель.
Естіматор
Кожен клас у sklearn з методом .fit() вважається естіматором. Метод .fit() дозволяє об'єкту навчатися на даних.
Іншими словами, метод .fit() використовується для навчання об'єкта. Він приймає параметри X та y (y є необов'язковим для задач без учителя).
estimator.fit(X, y) # For supervised learning tasks
estimator.fit(X) # For unsupervised learning tasks
Недостатньо корисно, якщо об'єкт лише навчається на даних без отримання будь-якого результату. Більш практичними є два типи об'єктів, які успадковують естіматор: трансформер і предиктор.
Трансформер
Трансформер має методи .fit() та .transform(), які змінюють дані певним чином.
Зазвичай трансформери повинні навчитися на даних перед трансформацією, тому спочатку застосовується .fit(), а потім .transform(). Щоб уникнути цього, трансформери також мають метод .fit_transform().
.fit_transform() дає той самий результат, що й послідовне застосування .fit() та .transform(), але іноді працює швидше, тому його переважно використовують замість .fit().transform().
transformer.fit(X) # Train the transformer
transformer.transform(X) # Transform the data using an already trained transformer
transformer.fit_transform(X) # Train the transformer and transform the data
Трансформери зазвичай використовуються для трансформації масиву X. Однак, як буде показано на прикладі LabelEncoder, деякі трансформери призначені для масиву y.
nan значення, показані у тренувальному наборі на зображенні, вказують на відсутні дані у Python.
Предиктор
Предиктор — це оцінювач (має метод .fit()), який також має метод .predict(). Метод .predict() використовується для здійснення прогнозів.
predictor.fit(X, y) # Training the predictor
predictor.predict(X_new) # Predicting the target for new instances once the predictor is trained.
Модель
Модель — це тип предиктора, який також містить метод .score(). Цей метод обчислює оцінку (метрику) для вимірювання ефективності предиктора.
model.fit(X, y) # Train the model
model.score(X, y) # Calculate a score for the trained model on X, y set.
Як зазначалося у попередньому розділі, точність — це метрика, що відображає відсоток правильних прогнозів.
Етап попередньої обробки включає роботу з трансформерами, а на етапі моделювання працюють з предикторами (точніше, з моделями).
Дякуємо за ваш відгук!
Запитати АІ
Запитати АІ
Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат
Awesome!
Completion rate improved to 3.13Поняття Scikit-learn
Свайпніть щоб показати меню
Бібліотека scikit-learn (імпортується як sklearn) надає різноманітні функції та класи для попередньої обробки даних і моделювання. Основними об'єктами sklearn є естіматор, трансформер, предиктор та модель.
Естіматор
Кожен клас у sklearn з методом .fit() вважається естіматором. Метод .fit() дозволяє об'єкту навчатися на даних.
Іншими словами, метод .fit() використовується для навчання об'єкта. Він приймає параметри X та y (y є необов'язковим для задач без учителя).
estimator.fit(X, y) # For supervised learning tasks
estimator.fit(X) # For unsupervised learning tasks
Недостатньо корисно, якщо об'єкт лише навчається на даних без отримання будь-якого результату. Більш практичними є два типи об'єктів, які успадковують естіматор: трансформер і предиктор.
Трансформер
Трансформер має методи .fit() та .transform(), які змінюють дані певним чином.
Зазвичай трансформери повинні навчитися на даних перед трансформацією, тому спочатку застосовується .fit(), а потім .transform(). Щоб уникнути цього, трансформери також мають метод .fit_transform().
.fit_transform() дає той самий результат, що й послідовне застосування .fit() та .transform(), але іноді працює швидше, тому його переважно використовують замість .fit().transform().
transformer.fit(X) # Train the transformer
transformer.transform(X) # Transform the data using an already trained transformer
transformer.fit_transform(X) # Train the transformer and transform the data
Трансформери зазвичай використовуються для трансформації масиву X. Однак, як буде показано на прикладі LabelEncoder, деякі трансформери призначені для масиву y.
nan значення, показані у тренувальному наборі на зображенні, вказують на відсутні дані у Python.
Предиктор
Предиктор — це оцінювач (має метод .fit()), який також має метод .predict(). Метод .predict() використовується для здійснення прогнозів.
predictor.fit(X, y) # Training the predictor
predictor.predict(X_new) # Predicting the target for new instances once the predictor is trained.
Модель
Модель — це тип предиктора, який також містить метод .score(). Цей метод обчислює оцінку (метрику) для вимірювання ефективності предиктора.
model.fit(X, y) # Train the model
model.score(X, y) # Calculate a score for the trained model on X, y set.
Як зазначалося у попередньому розділі, точність — це метрика, що відображає відсоток правильних прогнозів.
Етап попередньої обробки включає роботу з трансформерами, а на етапі моделювання працюють з предикторами (точніше, з моделями).
Дякуємо за ваш відгук!
