分类算法————sklearn转换器和估计器

目录

1 转换器-特征工程的父类

2 估计器(sklearn机器学习算法的实现)

3 sklearn模型的保存和加载API

---

1 转换器-特征工程的父类

把特征工程的接口称之为转换器

• fit_transform()    两个函数的封装
• fit      做计算
• transform     进行最终的转换

2 估计器(sklearn机器学习算法的实现)

• 1、用于分类的估计器：
  • sklearn.neighbors          k-近邻算法
  • sklearn.naive_bayes      贝叶斯
  • sklearn.linear_model.LogisticRegression   逻辑回归
  • sklearn.tree    决策树与随机森林
• 2、用于回归的估计器：
  • sklearn.linear_model.LinearRegression    线性回归
  • sklearn.linear_model.Ridge       岭回归
• 3、用于无监督学习的估计器
  • sklearn.cluster.KMeans          聚类

估计器(estimator)工作流程：
1. 实例化一个estimator

2.计算模型训练 estimator.fit(x_tran,y_train)

3.模型评估：

        1）直接比对真实值与预测值 y_predict=estimator.predict(x_test)

                y_test==y_prdeict

        2) 直接计算准确率

                estimator.score(x_test,y_test)

3 sklearn模型的保存和加载API

import joblib

• 保存：joblib.dump(rf, 'test.pkl')     rf为预估器
• 加载：estimator = joblib.load('test.pkl')