sklearn编程模型

数据集

sklearn.datasets自带一些经典数据集，方便用于实验。以iris数据集为例

.data是一个150x4的矩阵，每行是一个样本，每列是一个feature，feature的名字在.feature_names，.target是150x1的数组，对应每个样本的目标：

sepal length (cm) sepal width (cm) petal length (cm) petal width (cm) .target 5.100 3.500 1.400 0.200 0 4.900 3.000 1.400 0.200 0 4.700 3.200 1.300 0.200 0 4.600 3.100 1.500 0.200 0 … … … … …

通常用法如下，用大写表示矩阵，小写表示数组。数据集可以按需求拆分成训练集和测试集使用。

X, y = iris.data, iris.targetestimater.fit(X, y)

estimator(估计器)

有了数据集之后就是训练与分类/回归的过程，新建一个estimator，先用estimator.fit(X, y)训练，然后用estimator.predict(T)测试，示例如下，如果这个estimator是一个分类器，给他的实例起名叫classifier会比较清晰：

>>> from sklearn import svm>>> classifier = svm.SVC(gamma=0.001, C=100.)>>> classifier.fit(iris.data[:-1], iris.target[:-1]) #保留最后一条样本，用于测试>>> classifier.predict(iris.data[-1:])

transformer(数据集转换)

transformer实现fit transform，还有一个方便的组合fit_transform

transformer涵盖很广，包括数据预处理、数据降维、特征提取等，它的接口和estimator很类似，transformer和estimator常被组织进Pipeline，按步骤操作。

Pipeline

前一个transformer.transform()输出给下一个，这样就串联起来了，最后一个步骤通常是个estimator。预处理、降维、训练，调用一次fit就行了。

    #PCA是个transformer，做降维，SVC是个estimator，训练>>> estimators = [('reduce_dim', PCA()), ('clf', SVC())]>>> pipe = Pipeline(estimators)>>> pipe.fit(X, y)

FeatureUnion

和Pipeline类似，但不是串联，是并联，把多个transformer处理过的数据合起来输出

>>> estimators = [('linear_pca', PCA()), ('kernel_pca', KernelPCA())]>>> combined = FeatureUnion(estimators)>>> combined.fit(X, y).transform() #假设PCA提取2个特征，KernelPCA提取3个特征，变换样本数不变，输出5列#也可以并联之后再串联>>> pipeline = Pipeline([("features", combined), ("svm", svm)])

sklearn模块、类组织方法

estimator和Pipeline可以fit predict，transformer和FeatureUnion可以fit transform，接口很相似，便于相互配合工作。

python没有强制interface保证，比如estimator的fit和predict有些地方用abc metaclass来保证，但不是很统一，好像有个基类BaseEstimator，又用mixin、又用metaclass的，自己要实现一个estimator也不知道继承哪一个。

没找到sklearn的类继承图，它的各个estimator分布在不同模块里，那么要实现一个estimator，可能的方法

• 直接继承成熟的estimator，如LinearRegression，svm.SVC，然后修改fit和predict函数
• 不继承，完全实现，因为就算继承了，基类中也没什么可复用的代码