Ви вже знаєте основи попередньої обробки даних і створення конвеєрів. Тепер можемо перейти до найцікавішого — моделювання!

Згадаємо, що таке модель. У Scikit-learn це оцінювач (estimator), який має методи .predict() і .score() (і оскільки це оцінювач, також присутній метод .fit()).

.fit()

Після того як дані попередньо оброблені та готові до подачі в модель, першим кроком побудови моделі є навчання моделі. Це виконується за допомогою .fit(X, y).

Під час навчання модель засвоює все необхідне для здійснення прогнозів. Те, що модель засвоює, а також тривалість навчання залежать від обраного алгоритму. Для кожної задачі існує багато моделей, заснованих на різних алгоритмах. Деякі навчаються повільніше, інші — швидше.

Однак навчання зазвичай є найбільш трудомісткою частиною машинного навчання. Якщо навчальна вибірка велика, навчання моделі може тривати хвилини, години або навіть дні.

.predict()

Після навчання моделі за допомогою методу .fit(), вона може виконувати прогнозування. Прогнозування здійснюється простим викликом методу .predict():

model.fit(X, y) # Train a model
y_pred = model.predict(X_new) # Get a prediction

Зазвичай потрібно передбачити цільову змінну для нових прикладів, X_new.

.score()

Метод .score() використовується для оцінки якості навченої моделі. Зазвичай його обчислюють на тестовій вибірці (у наступних розділах буде пояснено, що це таке). Синтаксис:

model.fit(X, y) # Training the model
model.score(X_test, y_test)

Метод .score() потребує фактичних значень цільової змінної (y_test у прикладі). Він обчислює прогноз для прикладів X_test і порівнює цей прогноз із істинною ціллю (y_test) за допомогою певної метрики. За замовчуванням цією метрикою є точність для задач класифікації.