机器学习基础之《分类算法（1）—sklearn转换器和估计器》

一、转换器

1、什么是转换器
之前做特征工程的步骤：
（1）第一步就是实例化了一个转换器类（Transformer）
（2）第二步就是调用fit_transform，进行数据的转换

2、我们把特征工程的接口称之为转换器，其中转换器调用有这么几种形式
fit_transform()
fit()
transform()

3、例子
我们以标准化为例：(x - mean) / std
要进行转化的特征x减去这一列的平均值mean再除以标准差
第一步会执行fit()，计算每一列的平均值、标准差
第二步会执行transform()，用第一步计算出的结果，带入公式，进行最终的转换

二、估计器

1、什么是估计器
在sklearn中，估计器(estimator)是一个重要的角色，是一类实现了算法的API
所有的机器学习算法都被封装到估计器当中

2、用于分类的估计器
（1）sklearn.neighbors：k-邻近算法
（2）sklearn.naive_bayes：朴素贝叶斯
（3）sklearn.linear_model.LogisticRegression：逻辑回归
（4）sklearn.tree：决策树与随机森林

3、用于回归的估计器
（1）sklearn.linear_model.LinearRegression：线性回归
（2）sklearn.linear_model.Ridge：岭回归

4、用于无监督学习的估计器
（1）sklearn.cluster.KMeans：聚类

三、估计器工作流程

1、实例化一个estimator

2、调用estimator.fit(x_train, y_train)  计算
在fit方法中，将训练集的特征值和目标值传进来
调用完毕，意味着模型生成

3、模型评估
（1）直接比对真实值和预测值
说明：x_test测试集、y_predict预测的结果、y_test测试集中的目标值
y_predict = estimator.predict(x_test)
比对  y_test == y_predict

（2）计算准确率
说明：accuracy准确率
accuracy = estimator.score(x_test, y_test)