想一下之前做的特徵工程的步驟？
我們把特徵工程的介面稱之為轉換器，其中轉換器呼叫有這麼幾種形式
transfer = standardscaler(
)
data = transfer.fit_transform(data)from sklearn.preprocessing import standardscaler
transfer = standardscaler(
)a =[[
1,2,
3],[
4,5,
6]]transfer.fit_transform(a)
transfer.fit(a)
# 先計算均值，標準差
transfer.transform(a)
# 轉換把均值，標準差儲存在transfer中
b =[[
7,8,
9],[
10,11,
12]]transfer.transform(b)
# 列印出來的結果還是按照 a 的均值標準差的形式。
transfer.fit_transform(b)
# 用fit_transform就生成了自己的均值、標準差，來進行運算
2 用於回歸的估計器：
3 用於無監督學習的估計器
1、估計器的流程，步驟
①、例項化乙個估計器
estimator = kneighborsclassifier(
)
estimator.fit(x_train, y_train)方法1：
y_predict = estimator.predict(x_test)
y_predict==y_test
estimator.score(x_test,y_test)機器學習 轉換器與估計器
轉換器 1 例項化 例項化的是乙個轉換器類 transformer 2 呼叫fit transform 對於文件建立分類詞頻矩陣，不能同時呼叫 估計器 機器學習演算法的實現 在sklearn中，估計器 estimator 是乙個重要的角色，分類器和回歸器都屬於estimator，是一類實現了演算法的...
09機器學習 轉換器與估計器
fit transform 輸入資料直接轉換 fit transform fit 輸入資料，但不轉換，計算平均值標準差等等 transform 進行資料的轉換 from sklearn.preprocessing import standardscaler s standardscaler data...
驗證器 轉換器
同一namespace下的tag不能定義到多個檔案中，不支援模組化 formcoderangevalidator2 formcoderangevalidatorid2 seam允許將seam元件作為jsf converter，validator使用，參見滿江紅文件。這樣不需要在faces confi...