第2章 Scikit-learn 核心概念

第2章 Scikit-learn 核心概念

章节摘要：这一章要解决一个问题——为什么 Scikit-learn 里躺着几百个模型，用法却几乎一模一样。答案藏在一套统一接口里：估计器负责"学习"，转换器负责"加工数据"，预测器负责"给结果"，三者靠 fit、transform、predict 三个动词串成一条流水线。读完本章，你能讲清估计器的生命周期与内部状态，知道转换器为什么要把 fit 和 transform 拆成两段来防数据泄露，也能区分 predict、predict_proba、decision_function 这三种"给答案"的方式。最后再用管道把三者焊在一起，用评估和选择收口。第 3 章的四类实战任务，都建立在这一章的地基上。

读前必看

阅读完本章，你应当能够：

1. 说清估计器、转换器、预测器三者的分工，以及它们共享的 fit 接口
2. 描述一次 fit 调用之后，估计器对象内部发生了什么，状态存在哪里
3. 用 fit_transform 与 transform 的差别，写出不泄露数据的预处理流程
4. 区分 predict、predict_proba、decision_function 的语义与适用场景
5. 把预处理和建模步骤用管道的思路串起来，理解各节如何衔接
6. 为第 3 章的分类、回归、聚类、降维任务准备好统一的接口语言

核心概念速览

先说这套接口为什么值得单独成章。很多库里，每个算法各写一套用法，换个模型就得重学一遍。Scikit-learn 反其道而行：它把所有"会从数据中学习"的东西都塞进一个叫估计器的模子里，再按"加工数据"和"给结果"两个方向分支出转换器与预测器。于是你只要学会三个动词，就拿到了整座库的通行证。

本章的知识可以用下面这张全景图概括。它从估计器这个总根出发，向转换器和预测器两个方向分叉，最后都汇入管道，再由评估、选择、超参数三个环节收口。

背 API 只能记住一个模型，懂接口才能玩转几百个模型。

💡 关键直觉：估计器、转换器、预测器不是三个平行的概念，而是"一个基座、两个角色"。先记住这个包含关系，后面七节怎么读都不会散。

这一章不追求把每个算法推导一遍，而是把"接口怎么用对、怎么避坑"讲透。代码都是概念性的短片段，重点在理解每一步为什么这么做——因为理解了一个模型的生命周期，就能迁移到几百个模型上。这也是全书的转折点：从第 1 章的"认识这个库"，切换到"真正会用它"。

估计器、转换器、预测器关系图

三者不是并列的三个东西，而是"一个基座、两个角色"。估计器是总称，转换器和预测器是它的两个细分。转换器多了 transform 方法，预测器多了 predict 方法。数据则从左往右流动：先经转换器加工，再交给预测器推断。

图：估计器、转换器、预测器关系图

三个角色的分工，可以用一张表压成一句话：

子章节导航

2.1 估计器 (Estimator)

一切会"从数据中学习"的对象的统称。这里讲清 fit 的作用、估计器的内部状态、有监督与无监督的区别。

2.2 转换器 (Transformer)

带 transform 方法的估计器，专做数据预处理与特征变换。核心是 fit 与 transform 两段式设计，以及防数据泄露的纪律。

2.3 预测器 (Predictor)

带 predict 方法的估计器，负责把数据变成结果。区分 predict、predict_proba、decision_function 三种给答案的方式。

2.4 模型评估 (Model Evaluation)

用指标给预测结果打分，回答"这模型放到新数据上靠不靠谱"。

2.5 模型选择 (Model Selection)

交叉验证、网格搜索，挑出最合适的模型与超参数组合。

2.6 管道 (Pipeline)

把转换器与预测器串成一条流水线，一次 fit 跑完全程，顺带挡掉数据泄露。

2.7 超参数与参数

分清"训练前要定的"和"训练中学到的"，这是调优与判断模型的依据。

子章节之间的逻辑关系

本章七节不是并列的清单，而是一条"学习、加工、给答案、检验"的流水线。前 3 节立起三根支柱，第 6 节用管道把它们焊在一起，第 4、5、7 节则回答"这条流水线跑得好不好、怎么跑得更好"。读的时候抓住这条线，就不会觉得概念零散。

估计器（统一基座）
   ├── 转换器 ── 加工数据 ──┐
   └── 预测器 ── 给出结果 ──┤
                            ↓
                    管道（串联组合）
                            ↓
        模型评估 / 模型选择 / 超参数调优（检验与优化）
​

⚠️ 常见坑：把三个动词用混是本章最容易犯的错——该 transform 的地方用了 fit_transform，该 predict 的时候还在 fit。每节结尾的要点回顾，就是给这三个动词划的边界。

本章要点回顾

• 一个基座、两个角色：估计器是总根，转换器多了 transform、预测器多了 predict。
• fit 写状态、其余读状态：学习成果存在带下划线的属性里，重新 fit 会覆盖。
• 转换器两段式防泄露：fit 只在训练集上做，transform 才对新数据用。
• 管道是章内枢纽：把加工与推断焊成一条流水线，评估、选择、超参数三节负责收口。

概念立住了，第 3 章就用它们去打分类、回归、聚类、降维四场实战。

前置知识与后续延伸

• 前置：建议先读第 1 章，弄清 Scikit-learn 的定位与核心模块组织；有 NumPy 与 Pandas 的基础，读代码会更顺。
• 后续铺垫：本章立起的接口语言，正是第 3 章分类、回归、聚类、降维四类任务共同的操作手册；管道与超参数的概念，会在第 4 章自定义估计器、集成方法里进一步展开。
• 后续铺垫：本章立起的接口语言，正是第 3 章分类、回归、聚类、降维四类任务共同的操作手册；管道与超参数的概念，会在第 4 章自定义估计器、集成方法里进一步展开。