scikit-learn 中的所有算法——无论 是预处理、监督学习还是无监督学习算法——都被实现为类。 这些类在 scikit-learn 中叫作 估计器(estimator)。
为了应用算法，你首先需要将特定类的对象实例化:
代码语言：javascript复制 from sklearn.linear_model import LogisticRegression
logreg = LogisticRegression()估计器类包含算法，也保存了利用算法从数据中学到的模型。
在构建模型对象时，你应该设置模型的所有参数。这些参数包括正则化、复杂度控制、 要找到的簇的数量，等等。 所有估计器都有 fit 方法，用于构建模型。fit 方法要求 第一个参数总是数据 X，用一个 NumPy 数组或 SciPy 稀疏矩阵表示，其中每一行代表 一个数据点。数据 X 总被假定为具有连续值(浮点数)的 NumPy 数组或 SciPy 稀疏矩 阵。监督算法还需要有一个 y 参数，它是一维 NumPy 数组，包含回归或分类的目标值 (即已知的输出标签或响应)。
在 scikit-learn 中，应用学到的模型主要有两种方法。
- 要想创建一个新输出形式(比 如 y)的预测，可以用
predict方法。 - 要想创建输入数据 X 的一种新表示，可以用
transform方法。
predict 方法和 transform 方法的使用场景。
代码语言：javascript复制estimator.fit(X_train, [y_train])estimator.predict(X_test) | estimator.transform(X_test) |
|---|---|
分类 | 预处理 |
回归 | 降维 |
聚类 | 特征提取 |
特征选择
此外，所有监督模型都有 score(X_test, y_test)方法，可以评估模型。X_train 和 y_train 指的是训练数据和训练标签，而 X_test 和 y_test 指的是测试数据 和测试标签。
