Summary  
Scikit-learn organizes its components into four class types—estimators, transformers, predictors, and models—each defined by specific methods (.fit, .transform, .predict, .score) to build and evaluate data pipelines.

General domain of usage  
Machine learning (data preprocessing and predictive modeling)

**scikit-learn**（`sklearn`）ライブラリは、前処理およびモデリングのためのツールを提供。主なオブジェクトタイプは、**estimator**、**transformer**、**predictor**、**model**。

## Estimator

`.fit()`を持つクラスはすべてestimator（推定器）— データから学習。

```python
estimator.fit(X, y)     # supervised  
estimator.fit(X)        # unsupervised
```

## Transformer

transformerは`.fit()`と`.transform()`を持ち、両方を同時に行う`.fit_transform()`も利用可能。

トランスフォーマーは通常、`X` 配列の変換に使用されます。しかし、`LabelEncoder` の例で示すように、一部のトランスフォーマーは `y` 配列用に作られています。

注意

図のトレーニングセットに表示されている `nan` 値は、Python における欠損データを示します。

## 予測器

予測器は、出力を生成するための `.predict()` を持つ推定器。

```python
predictor.fit(X, y)
predictor.predict(X_new)
```

## モデル

モデルは `.score()` を持つ予測器であり、パフォーマンスを評価します。

```python
model.fit(X, y)
model.score(X, y)
```

前章で述べたように、**精度** は正解予測の割合を示す指標です。

**前処理** 段階ではトランスフォーマーを扱い、**モデリング** 段階では予測器（より具体的にはモデル）を扱います。

正しい記述をすべて選択してください。

機械学習は今やあらゆる場所で利用されています。自分で学びたいと思いませんか？このコースは、機械学習の世界への入門として、基本的な概念の習得、最も人気のあるMLライブラリであるScikit-learnの操作、そして最初の機械学習プロジェクトの構築を学ぶためのものです。
このコースは、Python、Pandas、Numpyの基礎知識を持つ学生を対象としています。

機械学習の概念とMLプロジェクトのワークフローについて学習します。

前処理は、MLプロジェクトにおいて最も重要な段階の一つです。本章では、ほぼすべてのデータセットに必要な前処理手順について解説します。

パイプラインは、すべての前処理ステップとモデルを組み合わせるための便利な方法です。パイプラインを使用することで、モデルの学習や利用がはるかに簡単になります。

モデリングはMLプロジェクトの中で最も楽しい段階です。モデルの構築、チューニング、評価方法を学びましょう。

Scikit-learnの概念

Estimator

Transformer

予測器

モデル