本篇是因爲寫的好所以轉載。感謝原作者啊噗不是阿婆主
原文鏈接:https://blog.csdn.net/weixin_38278334/article/details/82971752
寫在前面
fit和transform沒有任何關係,僅僅是數據處理的兩個不同環節,之所以出來fit_transform這個函數名,僅僅是爲了寫代碼方便,會高效一點。
sklearn裏的封裝好的各種算法使用前都要fit,fit相對於整個代碼而言,爲後續API服務。fit之後,然後調用各種API方法,transform只是其中一個API方法,所以當你調用transform之外的方法,也必須要先fit。
fit原義指的是安裝、使適合的意思,其實有點train的含義,但是和train不同的是,它並不是一個訓練的過程,而是一個適配的過程,過程都是確定的,最後得到一個可用於轉換的有價值的信息。
fit,transform,fit_transform常用情況分爲兩大類
1. 數據預處理中方法
fit(): Method calculates the parameters μ and σ and saves them as internal objects.
解釋:簡單來說,就是求得訓練集X的均值,方差,最大值,最小值,這些訓練集X固有的屬性。
transform(): Method using these calculated parameters apply the transformation to a particular dataset.
解釋:在fit的基礎上,進行標準化,降維,歸一化等操作(看具體用的是哪個工具,如PCA,StandardScaler等)。
fit_transform(): joins the fit() and transform() method for transformation of dataset.
解釋:fit_transform是fit和transform的組合,既包括了訓練又包含了轉換。
transform()和fit_transform()二者的功能都是對數據進行某種統一處理(比如標準化~N(0,1),將數據縮放(映射)到某個固定區間,歸一化,正則化等)
fit_transform(trainData)對部分數據先擬合fit,找到該part的整體指標,如均值、方差、最大值最小值等等(根據具體轉換的目的),然後對該trainData進行轉換transform,從而實現數據的標準化、歸一化等等。
根據對之前部分trainData進行fit的整體指標,對剩餘的數據(testData)使用同樣的均值、方差、最大最小值等指標進行轉換transform(testData),從而保證train、test處理方式相同。所以,一般都是這麼用:
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
sc.fit_tranform(X_train)
sc.tranform(X_test)
2. 各種算法的fit,transform方法
舉兩個例子:
1. CountVectorizer舉例,sklearn的CountVectorizer庫是根據輸入數據獲取詞頻矩陣(稀疏矩陣)
- fit(raw_documents) :根據CountVectorizer參數規則進行操作,比如濾除停用詞等,擬合原始數據,生成文檔中有價值的詞彙表;
- transform(raw_documents):使用符合fit的詞彙表或提供給構造函數的詞彙表,從原始文本文檔中提取詞頻,轉換成詞頻矩陣。
- fit_transform(raw_documents, y=None):學習詞彙詞典並返回術語 - 文檔矩陣(稀疏矩陣)。
2. TfidfTransformer舉例,TF-IDF(Term frequency * Inverse Doc Frequency)詞權重
在較低的文本語料庫中,一些詞非常常見(例如,英文中的“the”,“a”,“is”),因此很少帶有文檔實際內容的有用信息。如果我們將單純的計數數據直接餵給分類器,那些頻繁出現的詞會掩蓋那些很少出現但是更有意義的詞的頻率。
爲了重新計算特徵的計數權重,以便轉化爲適合分類器使用的浮點值,通常都會進行tf-idf轉換。詞重要性度量一般使用文本挖掘的啓發式方法:TF-IDF。IDF,逆向文件頻率(inverse document frequency)是一個詞語普遍重要性的度量(不同詞重要性的度量)。
- fit(raw_documents, y=None):根據訓練集生成詞典和逆文檔詞頻 由fit方法計算的每個特徵的權重存儲在model的idf_屬性中。
- transform(raw_documents, copy=True):使用fit(或fit_transform)學習的詞彙和文檔頻率(df),將文檔轉換爲文檔 - 詞矩陣。返回稀疏矩陣,[n_samples, n_features],即,Tf-idf加權文檔矩陣(Tf-idf-weighted document-term matrix)。
總結:
上述第一類和第二類等價。算法中的fit方法的應用等價於第一類的fit,只不過產生的結果意義不同(不是均值等統計意義,而是根據算法本身擬合獲取不同信息以備後用),transform根據fit的結果轉換成目標形式,具體需深究代碼實現。
Note:
- 必須先用fit_transform(trainData),之後再transform(testData)
- 如果直接transform(testData),程序會報錯
- 如果fit_transfrom(trainData)後,使用fit_transform(testData)而不transform(testData),雖然也能歸一化,但是兩個結果不是在同一個“標準”下的,具有明顯差異。(一定要避免這種情況)