sklearn 估計器(estimator)介面的簡單介紹

Scikit-learn 努力在為所有方法建立統一的介面。給定名為model的 scikit-learn 估計器物件，可以使用以下方法（並非每個模型都有）：

1. 適用於所有估計器

• model.fit()：擬合訓練資料。對於監督學習應用，它接受兩個引數：資料X和標籤y（例如model.fit(X, y)）。對於無監督學習應用，fit僅接受單個引數，即資料X（例如model.fit(X)）。

2. 在監督估計器中使用

• model.predict()：給定訓練好的模型，預測一組新資料的標籤。此方法接受一個引數，即新資料X_new（例如model.predict(X_new)
  ），並返回陣列中每個物件的習得標籤。
• model.predict_proba()：對於分類問題，一些估計器也提供此方法，該方法返回新觀測值具有每個分類標籤的概率。在這種情況下，model.predict()返回概率最高的標籤。
• model.decision_function()：對於分類問題，一些估計器提供不是概率的不確定性估計。對於二分類，decision_function >= 0表示將預測為正類，而<0表示負類。
• model.score()：對於分類或迴歸問題，大多數估計器實現了score方法。分數在 0 到 1 之間，分數越大表示擬合越好。對於分類器，分數方法計算預測的準確度。對於迴歸器，得分計算預測的確定係數（R^2）。
• model.transform()：對於特徵選擇演算法，這會將資料集縮減為所選特徵。對於某些分類和迴歸模型（如某些線性模型和隨機森林），此方法可將資料集縮減為資訊量最大的特徵。因此，這些分類和迴歸模型也可以用作特徵選擇方法。

3. 在無監督的估算器中使用

• model.transform()：給定一個無監督的模型，將新資料轉換為新的基。這也接受一個引數X_new，並根據無監督模型返回資料的新表示。
• model.fit_transform()：一些估計器實現了這個方法，它可以更有效地對相同的輸入資料執行擬合和變換。
• model.predict()：對於聚類演算法，predict方法將為新資料點生成簇標籤。並非所有聚類方法都具有此函式。
• model.predict_proba()：高斯混合模型（GMM）提供給定混合成分生成每個點的概率。
• model.score()：像 KDE 和 GMM這 樣的密度模型，提供了資料在模型下的似然。

除了fit之外，兩個最重要的函式是produce，它產生目標變數（y），以及transform，它產生資料的新表示（X）。 下表展示了不同函式適用於哪種的模型：