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)

A biblioteca **scikit-learn** (`sklearn`) oferece ferramentas para pré-processamento e modelagem. Seus principais tipos de objetos são **estimator**, **transformer**, **predictor** e **model**.

## Estimator

Qualquer classe com `.fit()` é um estimator — **aprende a partir dos dados**.

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

## Transformer

Um transformer possui `.fit()` e `.transform()`, além de `.fit_transform()` para executar ambos de uma vez.

Transformadores geralmente são utilizados para transformar o array `X`. No entanto, como veremos no exemplo do `LabelEncoder`, alguns transformadores são feitos para o array `y`.

Nota

Valores `nan` exibidos no conjunto de treinamento na imagem indicam dados ausentes em Python.

## Preditor

Um preditor é um estimador com `.predict()` para gerar saídas.

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

## Modelo

Um modelo é um preditor com `.score()`, que avalia o desempenho.

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

Como mencionado no capítulo anterior, **acurácia** é uma métrica que representa a porcentagem de previsões corretas.

A etapa de **pré-processamento** envolve o trabalho com transformadores, e trabalhamos com preditores (mais especificamente com modelos) na etapa de **modelagem**.

Selecione todas as afirmações corretas.

O aprendizado de máquina está presente em todos os lugares atualmente. Quer aprender por conta própria? Este curso é uma introdução ao mundo do aprendizado de máquina para que você compreenda os conceitos básicos, trabalhe com o Scikit-learn – a biblioteca mais popular para ML – e desenvolva seu primeiro projeto de aprendizado de máquina.
Este curso é destinado a estudantes com conhecimentos básicos em Python, Pandas e Numpy.

Aprenda os conceitos de Machine Learning e o fluxo de trabalho de projetos de ML.

O pré-processamento é provavelmente a etapa mais importante de um projeto de ML. Este capítulo aborda as etapas de pré-processamento necessárias para praticamente qualquer conjunto de dados.

Um pipeline é uma maneira organizada de combinar todas as etapas de pré-processamento, bem como um modelo. Pipelines facilitam muito o treinamento e a utilização de um modelo.

A modelagem é a etapa mais divertida de um projeto de ML. Vamos aprender a construir, ajustar e avaliar o modelo!

Conceitos do Scikit-learn

Estimator

Transformer

Preditor

Modelo

Conceitos do Scikit-learn

Estimator

Transformer

Preditor

Modelo