واجهة المقدّرات

النموذج كائن له عقد

كل شيء في scikit-learn مقدِّر وكل مقدِّر يتبع العقد نفسه. تنشئه بإعداداته وتسمى المعاملات الفائقة مثل قوة عقوبة. وتستدعي $\mathrm{fit}(X,y)$ ليتعلم من البيانات. وما تعلمه يُخزَّن في سمات تنتهي أسماؤها بشرطة سفلية مثل المتوسط أو المعاملات. ثم تستعمله: المعالج المسبق يوفر $\mathrm{transform}(X)$ والنموذج يوفر $\mathrm{predict}(X)$. والاستدعاء $\mathrm{fit\_transform}$ هو fit متبوعًا بـ transform. والجدول $X$ فيه صف لكل عينة وعمود لكل ميزة و$y$ هو الهدف. ولأن العقد واحد في كل مكان يمكنك استبدال نموذج بآخر مع إبقاء بقية الشيفرة.

القاعدة الذهبية أن $\mathrm{fit}$ لا يرى إلا بيانات التدريب. والأرقام التي يتعلمها المعالج المسبق مثل $\hat\mu$ و$\hat\sigma$ تُطبَّق بعد ذلك دون تغيير على بيانات التحقق والاختبار بـ $\mathrm{transform}$. ولو لاءمت المُقيِّس على كل الأيام لصاغت أيام الاختبار التحجيم وهذا تسرب صامت للمستقبل. وإعدادات مثل $\mathrm{random\_state}$ تجعل التشغيل قابلًا للتكرار و$\mathrm{clone}$ يبني نسخة جديدة غير ملاءَمة من المقدِّر وهذا ما يفعله التحقق المتقاطع لكل طية. وفي مختبرات بيانات السوق في هذه المهارة تكون الصفوف أزواج سهم-شهر والأعمدة ميزات مثل الزخم والتقلب.

• إعدادات في المدخل وأرقام متعلَّمة: تذهب المعاملات الفائقة إلى المُنشئ وتنتهي الأرقام المتعلَّمة بشرطة سفلية.
• الملاءمة على التدريب فقط: يعيد transform وpredict استعمال الأرقام المتعلَّمة على أي بيانات.
• العقد نفسه في كل مكان: استبدال نموذج بآخر يُبقي بقية الشيفرة.

المختبر: ما الذي يُقيَّم

• ما يتعلمه المُقيِّس: المتوسط10 نقطة
• ما يتعلمه المُقيِّس: الانتشار10 نقطة
• تحويل قيمة اختبار10 نقطة
• ما يتعلمه الانحدار: الميل15 نقطة
• تنبؤ10 نقطة
• أي السمات متعلَّمة10 نقطة
• سير عمل آمن10 نقطة
• طابق المصطلحات10 نقطة
• لماذا نلاءم المُقيِّس على التدريب فقط15 نقطة