Summary  
This chapter explains how scikit-learn estimators implement the .fit, .predict, and .score interface for training models, generating predictions, and evaluating their performance.

General domain of usage  
Predictive modeling (e.g., classification)

データの前処理とパイプライン構築の基本がカバーされました。次のステップは**モデリング**です。


Scikit-learnにおける**モデル**は、`.predict()`および`.score()`メソッドを提供する**推定器（estimator）**であり、すべての推定器から継承された`.fit()`も備えています。


## .fit() 

データの前処理が完了し、モデルに渡す準備ができたら、モデル構築の最初のステップは**モデルの学習**です。これは`.fit(X, y)`を使用して行います。

**教師あり学習**（回帰、分類）の場合、`.fit()` には `X` と `y` の両方が必要。
**教師なし学習**（例：クラスタリング）の場合は、`.fit(X)` のみを呼び出す。`y` を渡してもエラーにはならず、単に無視される。

注意

トレーニング中、モデルは予測に必要なパターンを**学習**。学習内容やトレーニング時間はアルゴリズムによって異なる。トレーニングは特に大規模データセットでは**最も時間がかかる部分**。

## .predict()

トレーニング後、`.predict()` を使用して予測を生成：

```python
model.fit(X, y)
y_pred = model.predict(X_new)
```

## .score()

`.score()` は、通常 **テストセット** 上で訓練済みモデルを評価するメソッド。

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

予測値と正解ラベルを比較する。デフォルトでは、分類問題の場合は **正解率（accuracy）** が評価指標となる。

`X_test` は、モデルの性能を訓練後に評価するために使用されるデータセットのサブセット（**テストセット**）を指す。これは **特徴量**（入力データ）を含む。`y_test` は `X_test` に対応する **正解ラベル** のサブセット。これらを用いて、モデルが未知のデータをどれだけ正確に予測できるかを評価する。

ノート

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。